无监督的双域分离网络用于MRI中移除刚性运动工件
Boya Wu1, Caixia Li2, Jiawei Zhang1
1School of Biomedical Engineering, Southern Medical University, Guangzhou 510515, China.
Computers in biology and medicine
|August 23, 2023
概括
这项研究引入了一种无监督深度学习方法 (UDDN),可以在MRI扫描中删除动作文物,而不需要配对数据. 通过使用空间和频域信息,UDDN有效地解和删除文物,改善临床使用的图像质量.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 运动工件显著降低了磁共振成像 (MRI) 的质量,影响了诊断和治疗.
- 监督的深度学习方法去除文物需要配对数据,这在临床上具有挑战性.
- 现有的无监督方法往往忽略了频域信息,特别是对于运动工件校正至关重要的相位错误.
研究的目的:
- 提出一种新的2D无监督深度学习方法,即无监督解双域网络 (UDDN),以有效地去除MRI中的刚性运动工件.
- 为了利用空间和频率域信息来增强文物解和移除.
- 通过结合相位错误信息来解决现有的无监督方法的局限性.
主要方法:
- 开发了一种双域编码模块,以捕获来自空间和频率领域的丰富信息.
- 引入了一个跨领域的注意力融合模块,以有效地整合信息,减少冗余,并提高文物删除性能.
- 在公共和临床MRI数据集上验证了UDDN方法.
主要成果:
- UDDN成功地删除了动作文物,并有效地重建了图像细节.
- 定性和定量结果表明,与最先进的无监督方法相比,性能优越.
- 该方法的性能与监督方法相比,尽管使用未配对的数据.
结论:
- 拟议的UDDN方法提供了一种强大的无监督方法,用于在MRI中移除运动工件.
- 通过使用双域信息,UDDN有效地解和删除刚性运动工件.
- 这种方法显示了MRI实时临床应用的巨大潜力,提高了诊断准确度.
