自主监督的MRI无噪声:利用斯坦的无偏风险估计器和空间分辨噪声图

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 热噪声是磁共振成像 (MRI) 的重要限制,降低了图像质量和临床效用.
• 深度学习 (DL) 方法对核磁共振扫描显得有希望,但通常需要大型,对联的噪音和无噪音图像数据集进行监督训练.
• 获取无噪声地面真实数据用于医学成像通常是不切实际的或昂贵的.

研究的目的:

• 开发和评估基于DL的复杂值MR图像的无噪声化方法,而不依赖于无噪声的目标数据.
• 调查使用扩展的斯坦斯无偏风险估计器 (SURE) 和空间分辨噪声图用于训练DL无声化模型.
• 与传统的监督方法相比,即使没有获得地面真相图像,也可以证明具有竞争力的染性能.

主要方法:

• 对于具有复杂值的MR图像,采用了一种基于DL的新色化方法.
• 培训过程包括了斯坦的无偏风险估计器 (SURE) 和像素精确的噪声图的扩展.
• 该模型经过优化,不需要无噪声的目标图像,解决了数据采集的挑战.

主要成果:

• 拟议的DL方法实现了与平均平方误差 (MSE) 训练的监督方法相比的无噪声性能.
• 该方法成功地消除了MR图像,而不需要无噪声的训练数据.
• 集成噪声图允许调节的消除噪声水平,以满足放射科医生的偏好.

结论:

• 一种基于DL的MRI消噪技术已经开发出来,可以有效地提高图像质量,而不需要无噪声训练数据.
• 这种方法为MR图像增强提供了一个实际的解决方案,克服了监督学习中数据采集的局限性.
• 通过噪声地图调节无声化水平的能力为临床应用提供了灵活性.