机器学习方法的比较,用于恢复噪音和缺失的4D流MRI数据
Hunor Csala1,2, Omid Amili3, Roshan M D'Souza4
1Department of Mechanical Engineering, University of Utah, Salt Lake City, Utah, USA.
概括
深度学习自编码器,特别是Noise2Noise,有效地拒绝并归纳心血管4D流MRI中缺失的数据,优于传统的过和SVD方法,用于准确的血液动力学分析.
科学领域:
- 心血管成像和血液动力学
- 生物医学工程 生物医学工程
- 机器学习在医学成像中的应用
背景情况:
- 准确的血液流量测量对于了解心血管疾病至关重要.
- 时间分辨率的3D相对比MRI (4D流MRI) 提供了非侵入性的速度测量,但受到噪音和文物的影响.
- 目前的否定方法缺乏与先进的机器学习技术的全面比较.
研究的目的:
- 将传统的过与机器学习 (SVD) 和深度学习 (自动编码器) 进行比较,用于在4D流MRI中进行无声化和数据归算.
- 评估这些方法在模拟 (CFD) 和实验 (体外) 心血管流量数据上的性能.
- 确定强大的方法来增强受损的心血管流量数据在患病的动脉.
主要方法:
- 基于单值分解 (SVD) 的机器学习算法.
- 自动编码器类型的深度学习模型,包括Denoising自动编码器 (DAE) 和Noise2Noise (N2N).
- 应用和对人工损坏的CFD数据和体外4D流MRI数据的比较.
主要成果:
- 在理想化的数据上,SVD方法表现良好,但在体外实验数据上却存在困难.
- 自动编码器在模拟和实验数据集中展示了多功能性和适用性.
- 拒绝自编码器 (DAE,N2N) 在拒绝体外4D流MRI数据方面显著优于传统的过.
- 即使没有清洁的训练数据,N2N也实现了无噪声的速度场.
结论:
- 深度学习自动编码器优于传统的过和SVD,用于增强腐败的4D流MRI数据.
- 噪声对噪声自动编码器在生成高质量,无噪声的心血管流量数据方面特别有前途.
- 本研究提供了经典和现代方法的全面比较,以改进4D流MRI的定量血液动力学分析.
