在MR图像中的线状结构的图像否定方面,未经训练的感知损失

科学领域:

• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.
• 图像处理 图像处理

背景情况:

• 在磁共振 (MR) 成像中,缩短扫描时间会增加图像噪声,需要有效的无噪技术.
• 深度学习方法对自动MRI图像消除模糊有希望,特别是在具有线状结构的图像中,如血管和根.
• 现有的损失函数可能无法充分利用这些特定MR数据集的独特特征 (连接性,稀疏性).

研究的目的:

• 为了研究一种新的未经训练的感知损失 (uPL) 对3DMR图像的有效性.
• 评估uPL是否从线状结构的MR图像中固有的连接性和稀疏性中受益.
• 在各种噪声级别和网络架构中比较uPL与传统损失函数 (L1,SSIM) 的性能.

主要方法:

• 将感知损失转换为3D数据,通过比较未经训练的网络的特征图.
• 在Rician噪声 (1-20%) 下对3DMR血管图 (MRA) 和植物根图像进行测试的uPL.
• 在不同的uPL配置和网络架构中使用结构相似度指标 (SSIM) 评估性能.

主要成果:

• uPL显著优于L1和SSIM损失函数,达到更高的SSIM值 (例如,MRA为0.93而不是0.81和0.88).
• 网络初始化对uPL性能的影响很小;网络深度和聚合操作显示出轻微的影响.
• 小 uPL 网络在较低的计算成本下实现了与大型网络 (如 VGG19) 相同或更高的结果.

结论:

• 未训练的感知损失 (uPL) 是3DMRI图像消噪的高效替代方案,特别是对于具有线状结构的数据集.
• uPL在所有测试的噪声水平,数据集和网络架构中都表现出卓越的性能.
• 建议使用较小的uPL网络,因为它们的性能可比,计算需求减少.