[論文レビュー] SDnDTI: Self-supervised deep learning-based denoising for diffusion tensor MRI

Qiyuan Tian, Ziyu Li+5 more|arXiv (Cornell University)|Nov 13, 2021

Advanced Neuroimaging Techniques and Applications被引用数 4

ひとこと要約

SDnDTI は、追加の高SNRトレーニングデータを必要とせずに、ノイズ除去のための自己教師付き深層学習手法を提案する。低SNR入力と高SNRターゲットを、テンソルフィッティングを用いて同じデータから部分集合として合成し、3次元畳み込みニューラルネットワーク（CNN）を用いて低SNR入力をノイズ除去する。この手法により、教師あり手法と同等の画像品質とSNR向上が達成される。

ABSTRACT

The noise in diffusion-weighted images (DWIs) decreases the accuracy and precision of diffusion tensor magnetic resonance imaging (DTI) derived microstructural parameters and leads to prolonged acquisition time for achieving improved signal-to-noise ratio (SNR). Deep learning-based image denoising using convolutional neural networks (CNNs) has superior performance but often requires additional high-SNR data for supervising the training of CNNs, which reduces the practical feasibility. We develop a self-supervised deep learning-based method entitled "SDnDTI" for denoising DTI data, which does not require additional high-SNR data for training. Specifically, SDnDTI divides multi-directional DTI data into many subsets, each consisting of six DWI volumes along optimally chosen diffusion-encoding directions that are robust to noise for the tensor fitting, and then synthesizes DWI volumes along all acquired directions from the diffusion tensors fitted using each subset of the data as the input data of CNNs. On the other hand, SDnDTI synthesizes DWI volumes along acquired diffusion-encoding directions with higher SNR from the diffusion tensors fitted using all acquired data as the training target. SDnDTI removes noise from each subset of synthesized DWI volumes using a deep 3-dimensional CNN to match the quality of the cleaner target DWI volumes and achieves even higher SNR by averaging all subsets of denoised data. The denoising efficacy of SDnDTI is demonstrated on two datasets provided by the Human Connectome Project (HCP) and the Lifespan HCP in Aging. The SDnDTI results preserve image sharpness and textural details and substantially improve upon those from the raw data. The results of SDnDTI are comparable to those from supervised learning-based denoising and outperform those from state-of-the-art conventional denoising algorithms including BM4D, AONLM and MPPCA.

研究の動機と目的

• スキャン時間の延長と微細構造パラメータの精度低下を引き起こす、拡散画像（DWIs）におけるノイズの問題に対処する。
• 通常入手困難または実用的でない高SNR監視データを必要とする、従来の深層学習ノイズ除去手法の限界を克服する。
• 入力に使用するデータそのものから合成された高SNRターゲットを用いる自己教師付きフレームワークを開発し、外部の高SNRスキャンの必要性を排除する。
• DTIデータのSNRを顕著に向上させつつ、画像のシャープネスとテクスチャディテールを保持する。
• 教師あり学習手法と同等のノイズ除去性能を達成し、BM4D や AONLM、MPPCA などの従来手法を上回る。

提案手法

• 多方向DTIデータを複数の部分集合に分割し、各部分集合に最適選択されたノイズに強い拡散符号化方向に沿った6つのDWIボリュームを含める。
• 各部分集合に対してテンソルフィッティングを適用し、全方向のDWIボリュームを合成し、CNNの低SNR入力とする。
• 全データを用いたテンソルフィッティングにより、監視用の高SNRターゲットDWIボリュームを生成し、外部データなしの自己教師付き学習を可能にする。
• 3次元畳み込みニューラルネットワーク（CNN）を用いて、高SNRターゲットとの再構成誤差を最小化することで、合成された低SNRボリュームのノイズ除去を学習する。
• トレーニング済みのCNNを各部分集合に対して個別に適用し、平均化により結果を統合することでさらにSNRを向上させる。
• 多方向DTIデータに内在する冗長性を活用し、同じスキャンデータから監視信号を抽出する自己教師付き学習フレームワークを構築する。

実験結果

リサーチクエスチョン

• RQ1 外部の高SNRトレーニングデータを必要としない自己教師付き深層学習フレームワークは、DTIデータのノイズ除去に有効に機能するか？
• RQ2 SDnDTI の性能は、教師あり深層学習および従来のノイズ除去手法（BM4D, AONLM, MPPCA）と比較して、SNRおよび画像品質の観点でどのように差がつくか？
• RQ3 SDnDTI は、生のDTIデータと比較して、画像のシャープネスとテクスチャディテールをどの程度保持するか？
• RQ4 SDnDTI は、異なる拡散符号化方向やデータセットにおけるノイズ変動に対してどれほど頑健か？
• RQ5 テンソルフィッティングとデータ部分集合の合成に基づく自己教師付きトレーニング戦略は、DTIノイズ除去において教師あり手法と同等の性能を達成できるか？

主な発見

• SDnDTI は、外部の高SNRデータを一切必要としないにもかかわらず、教師あり深層学習ベースの手法と同等のノイズ除去性能を達成する。
• Human Connectome Project（HCP）および Lifespan HCP in Aging データセットにおいて、SDnDTI は顕著なSNR向上を示し、微細な画像ディテールとシャープネスを保持する。
• BM4D や AONLM、MPPCA などの最先端の従来手法よりも、定量的SNR指標および主観的画像品質の両面で優れた性能を示す。
• すべての拡散符号化方向にわたりノイズが効果的に低減され、導出された拡散テンソルパラメータにおいて一貫した改善が観察される。
• 複数のデータ部分集合からのノイズ除去出力を平均化することでさらにSNRが向上し、自己教師付きフレームワークの頑健性を示している。
• データ部分集合からのテンソルフィッティングに基づく自己教師付きトレーニング戦略は、異なるデータセットおよびスキャンプロトコルにおいても、高品質で安定したノイズ除去結果を生み出す。