基于相位的磁共振电气性能断层扫描的深度网络规范化使用斯坦的无偏风险估计器

科学领域:

• 医疗成像医学成像
• 电气性质断层扫描 电气性质断层扫描
• 计算神经科学是一种神经科学.

背景情况:

• 基于相位的磁共振电特性断层扫描 (MR-EPT) 估计了组织导电性.
• 在MR-EPT中,拉普拉斯运行器对噪声敏感,导致放大.
• 现有的无声化方法与噪声放大和边界误差作斗争.

研究的目的:

• 开发一种用于MRI的新型无监督denoiser,在MR-EPT中传递相位图像.
• 为了提高MR-EPT衍生出的导电性图的精度和降低噪声.
• 创建一个盲目的,完全无监督的2DMR-EPT重建算法.

主要方法:

• 使用深度图像先验 (DIP) 随机CNN初始化进行隐式规范化.
• 整合了Stein的无偏风险估计器 (SURE) 进行网络优化,使无监督学习成为可能.
• 处理了真实和虚拟的MRI图像,而不是相位图像,以进行理论对齐.

主要成果:

• 在MR-EPT相位图中显著减少残留噪声.
• 在幻影和模拟大脑数据中超越了现有的无线化技术.
• 在健康的志愿者和患者中产生了更准确的导电性图,并减少了错误.

结论:

• 拟议的无监督消噪器有效地减轻了MR-EPT中的噪声放大.
• 这种方法提供了一个强大的,数据效率高的解决方案,用于改进导电性成像.
• 代表了第一个盲目,完全不受监督的方法,用于基于二维相位的MR-EPT重建.