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
Matthew Scott Rosen, Bo Zhu, G. Cody Bagnall, Néha Koonjoo, Danyal Fareed Bhutto
2021-04-15

AUTOMAPподавление шума в МРТглубокое обучение для реконструкции изображенийнизкопольная МРТотношение сигнал/шум
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.
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.

сильно зашумлённые данные низкопольной МРТ головного мозга человека и корней растений, полученные при 6,5 мТл и 47 мТл

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
Access Type
Author Information
Authors
Matthew Scott Rosen
Bo Zhu
G. Cody Bagnall
Néha Koonjoo
Danyal Fareed Bhutto
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%