Повышение отношения сигнал/шум в низкопольной МРТ с помощью глубокой нейросетевой реконструкции изображений
Boosting the signal-to-noise of low-field MRI with deep learning image reconstruction
2021-04-15
SCID: 54.1/b3q7jfae
Discuss with AI
AUTOMAPподавление шума в МРТглубокое обучение для реконструкции изображенийнизкопольная МРТотношение сигнал/шум
Figures from the paper
Abstract (AI)
В последние годы возрос интерес к недорогим низкопольным системам магнитно-резонансной томографии (МРТ) с магнитным полем менее 0,3 Тл, главным образом благодаря достижениям в разработке магнитов, катушек и градиентных систем. Большинство этих достижений было направлено на совершенствование аппаратного обеспечения и стратегий регистрации сигнала, тогда как применению современных методов реконструкции изображений для повышения достижимого качества изображений при низком поле уделялось значительно меньше внимания. В данной работе описывается применение разработанного нами сквозного подхода на основе глубокой нейронной сети AUTOMAP для повышения качества изображений низкопольной МРТ-данных, сильно искажённых шумом. Эффективность этого подхода сравнивается с двумя дополнительными современными конвейерами шумоподавления. Показано, что AUTOMAP улучшает реконструкцию изображений, полученных на двух существенно различающихся низкопольных МРТ-системах: данных мозга человека, зарегистрированных при 6,5 мТл, и данных корней растений, зарегистрированных при 47 мТл; при этом прирост отношения сигнал/шум по сравнению с реконструкцией Фурье составил соответственно от 1,5 до 4,5 раза и 3 раза. В этих задачах AUTOMAP превзошёл два современных алгоритма шумоподавления на основе изображений и подавил шумоподобные точечные артефакты в реконструированных изображениях. Обсуждается влияние предметно-специфичных обучающих корпусов на эффективность реконструкции. Подход AUTOMAP к реконструкции изображений позволит значительно повысить качество изображений при низком магнитном поле, особенно в условиях сильного зашумления.
Key Findings
1
AUTOMAP превзошла два современных алгоритма денойзинга изображений и подавила шумоподобные точечные артефакты на реконструированных изображениях.
2
AUTOMAP — сквозная глубокая нейронная сеть — повышает качество реконструкции сильно зашумлённых данных МРТ низкого поля.
3
Для данных мозга человека, полученных при 6,5 мТл, AUTOMAP обеспечила повышение отношения сигнал/шум в 1,5–4,5 раза по сравнению с реконструкцией Фурье.
4
Для данных корней растений, полученных при 47 мТл, AUTOMAP обеспечила трёхкратное повышение отношения сигнал/шум по сравнению с реконструкцией Фурье.
5
Эффективность реконструкции зависит от предметно-специфического обучающего набора данных, что подчёркивает важность соответствия обучающих данных области применения.
Research Object
сильно зашумлённые данные низкопольной МРТ головного мозга человека и корней растений, полученные при 6,5 мТл и 47 мТл
Research Subject
улучшение качества изображений и отношения сигнал/шум с помощью глубинного обучения для реконструкции МРТ, включая подавление шумоподобных артефактов в виде выбросов
Publication Details
Publication Date
2021-04-15
Journal
Publisher
ISSN
Cited by
168
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest