DeepN4:学习N4ITK T1加权图像的偏差场校正
Praitayini Kanakaraj1, Tianyuan Yao2, Leon Y Cai3
1Department of Computer Science, Vanderbilt University, 400 24th Ave S, Nashville, TN, 37240, USA. praitayini.kanakaraj@vanderbilt.edu.
Neuroinformatics
|March 25, 2024
概括
深度学习准确地接近N4ITK对T1wMRI的偏差场校正,提供了一个便携式和灵活的替代方案. 这种方法提高了跨不同平台和管道的可重复性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- T1加权 (T1w) 核磁共振图像遭受由磁场不均性引起的低频强度工件.
- 偏差场校正对于对T1wMRI数据进行一致的解释至关重要.
- 目前最先进的N4ITK偏差校正缺乏可移植性和灵活性,阻碍了可重现性.
研究的目的:
- 开发一个可移植,灵活和完全可差异化的深度学习近似N4ITK偏差场校正.
- 创建一种方法,以促进方法的发展,并提高跨平台的可复制性.
主要方法:
- 一个名为DeepN4的深度学习网络使用N4ITK校正的T1wMRI和来自八个独立队列 (72个扫描仪) 的偏差场进行训练.
- 监督是在日志空间中进行的.
- 网络的性能使用峰值信号噪声比率 (PSNR) 进行了评估,并在外部数据集上进行了测试.
主要成果:
- DeepN4 非常接近 N4ITK 的偏差场校正.
- 在N4ITK和DeepN4纠正图像之间,PSNR的中位数为47.96dB.
- DeepN4模型在八个外部数据集中展示了可概括性.
结论:
- 纯粹的深度神经网络可以有效地接近N4ITK偏差场校正.
- DeepN4为N4ITK提供了一种灵活和便携的替代方案,提高了MRI预处理中的可复制性.
- 开发的方法和代码是公开的,以促进进一步的研究.
