磁共振成像( MRI )是一种有用的软组织或分子扩散成像技术。然而,获取 MR 图像的扫描时间可能相当长。有几种方法可以用来减少扫描时间,包括矩形视场( RFOV )、部分傅里叶成像和采样截断。这些方法要么导致信噪比( SNR )降低,要么导致分辨率降低。有关更多信息,请参阅k 空间教程:更好地理解 k 空间的 MRI 教育工具。
当使用采样截断技术以减少扫描和数据传输时间时,吉布斯现象也称为振铃或截断伪影,会出现在结果图像中。通常,通过平滑图像来消除吉布斯现象,从而降低图像分辨率。
在这篇文章中,我们探索了一种使用 NVIDIA Clara AGX 开发者套件的深度学习方法,以消除磁共振图像中的吉布斯现象和噪声,同时保持高图像分辨率。
信号可以表示为频率和相位变化的正弦波的无限和。 MR 图像通过使用相对较少的 h ARM 电子近似,从而导致吉布斯现象的存在。图 1 显示了一个类似的一维情况,即仅用几个 h ARM 电子近似方波,右侧 MRI 模型中的吉布斯现象。
数据集和模型
我们扩展了现有的用于 Gibbs 和噪声消除的深度学习方法 dldegibbs 的工作。有关更多信息,请参阅扩散磁共振成像中 Gibbs 神经网络的训练与去噪。该白皮书的代码在/mmuckley/dldegibbs GitHub repo 中。
在他们的工作中,大约 130 万张模拟吉布斯现象和高斯噪声的 ImageNet 图像被用作训练数据。在我们的项目中,我们测试了 Muckley 等人开发的一些预训练 dldegibbs 模型,并使用开放图像数据集训练了我们自己的模型。我们最后用 MRI 扩散数据测试了不同的模型。
为什么要模拟吉布斯现象?
与其他网络相比,使用 dldegibbs 的一个好处是它不需要访问原始 MRI 数据和系统参数。该数据很难获得,因为该数据的存储要求很高,并且在图像重建后通常不会保留该数据。
另一个好处是不需要专有信息或与供应商签署研究协议。此外,还可以节省收集和分发医疗数据的时间,这可能是一项挑战。使用异构数据集(如 ImageNet 或 Open Images )对模型进行训练有可能使该方法应用于其他 MRI 序列或成像模式,因为训练数据本质上是对象不可知的。
dldegibbs 的数据加载程序为每个加载的映像创建两个映像:一个训练映像和一个目标映像。在傅里叶域中模拟原始图像上的吉布斯现象生成训练图像。将调整原始图像的大小并将其用作目标图像。数据加载程序包括标准数据增强方法(随机翻转、裁剪),然后是随机相位模拟和椭圆裁剪。接下来,对原始图像进行 FFT 处理,进行 Gibbs 裁剪,添加复高斯噪声,并模拟部分傅里叶变换。最后,应用逆 FFT 对图像进行归一化处理。图 2 显示了模拟管道。
在这个项目中,我们使用了由 170 多万张训练图像组成的开放图像数据集。然后,我们在由 170 名患者( 996424 个轴向切片)[5]组成的磁共振扩散数据集上测试训练模型。图 3 显示了一个示例 MRI 扩散切片。
结果
图 4 显示了使用 dldegibbs 模型测试的验证图像示例,该模型使用完全开放的图像训练数据集进行训练。图 5 显示了相应的错误。训练图像在傅里叶空间从 256 × 256 裁剪到 100 × 100 。该模型未模拟部分傅里叶成像。
数据与目标之间的平均 MSE 为 13 . 2 ± 9 . 2% 。估计值与目标值之间的平均误差为 2 . 9 ± 2 . 7% 。对于此图像, dldegibbs 模型可使图像质量提高 10% 以上。
概括
在这篇文章中,我们提供了一个可以与 Clara AGX 开发工具包一起使用的解决方案,使用以下资源从 MR 图像中去除噪声和吉布斯现象:
- 一种商用数据集,称为 Open Images
- 一个开源的 ML 模型,称为 dldegibbs
我们将很快在 NGC 上发布 dldebiggs 参考 Docker 容器。要查找所有可用的容器,请参阅 Clara AGX 系列。