自主监督噪音自适应型MRI通过重复对重复 (Rep2Rep) 进行排斥学习

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物物理学的生物物理.

背景情况:

• 低场MRI提供了优势,但受到较低的信号噪声比 (SNR) 的损害.
• 图像剥离对于低场MRI至关重要,以提高诊断准确度.
• 现有的拒绝方法通常需要基准真实数据或与不同噪音水平作斗争.

研究的目的:

• 引入重复到重复 (Rep2Rep) 学习,这是一种用于低场MRI的新型自主监督的否定框架.
• 开发一种适应噪声的方法,可以在不同噪声水平上进行概括.
• 在低场MRI应用中提高图像质量和扫描效率.

主要方法:

• Rep2Rep学习利用两个重复的MRI采集,使用一个作为输入,另一个作为目标,扩展Noise2Noise框架.
• 神经网络以自我监督的方式进行训练,消除了对基础真相数据的需求.
• 噪音适应训练允许在不同噪音水平和灵活推断上进行概括.

主要成果:

• 在合成和0.55TMRI数据集上,Rep2Rep学习的表现优于MC-SURE.
• 合成脑MRI上的否定质量与监督学习相当,在细节保存方面超过了MC-SURE.
• 读者研究表明Rep2Rep-denoised 2-平均0.55T前列腺MRI图像优于8-平均噪音图像.
• 该方法证明了训练和推断之间的噪音水平差异的稳定性.

结论:

• Rep2Rep学习提供了使用多重重复数据的低场MRI有效的自我监督的无声化.
• 适应噪声的特性使得它可以在没有清洁的参考图像的情况下对不同的SNR模式进行概括.
• Rep2Rep学习是提高低场MRI图像质量和扫描效率的有希望的工具.