[论文解读] Denoising Arterial Spin Labeling Cerebral Blood Flow Images Using Deep Learning

Danfeng Xie, Li Bai+1 more|arXiv (Cornell University)|Jan 29, 2018

Advanced MRI Techniques and Applications参考文献 15被引用 5

一句话总结

本研究提出了一种基于深度学习的去噪方法 ASLDLD，采用五层宽卷积神经网络（CNN），结合残差学习与批量归一化，以增强动脉自旋标记（ASL）脑血流量（CBF）图像。通过将灰质概率图作为正则化项，并在280名受试者上进行训练，ASLDLD相较于传统方法将信噪比（SNR）提高了38.6%，同时仅使用10对控制-标签图像而非40对，将扫描时间减少了75%。

ABSTRACT

Arterial spin labeling perfusion MRI is a noninvasive technique for measuring quantitative cerebral blood flow (CBF), but the measurement is subject to a low signal-to-noise-ratio(SNR). Various post-processing methods have been proposed to denoise ASL MRI but only provide moderate improvement. Deep learning (DL) is an emerging technique that can learn the most representative signal from data without prior modeling which can be highly complex and analytically indescribable. The purpose of this study was to assess whether the record breaking performance of DL can be translated into ASL MRI denoising. We used convolutional neural network (CNN) to build the DL ASL denosing model (DL-ASL) to inherently consider the inter-voxel correlations. To better guide DL-ASL training, we incorporated prior knowledge about ASL MRI: the structural similarity between ASL CBF map and grey matter probability map. A relatively large sample data were used to train the model which was subsequently applied to a new set of data for testing. Experimental results showed that DL-ASL achieved state-of-the-art denoising performance for ASL MRI as compared to current routine methods in terms of higher SNR, keeping CBF quantification quality while shorten the acquisition time by 75%, and automatic partial volume correction.

研究动机与目标

• 为解决动脉自旋标记（ASL）灌注 MRI 中信噪比（SNR）低的问题，该问题限制了脑血流量（CBF）的定量测量。
• 克服传统后处理方法依赖显式图像先验、计算缓慢且去噪增益有限的局限性。
• 探究深度学习是否可通过从数据中隐式学习图像先验，实现在 ASL MRI 中的最先进去噪性能。
• 通过仅使用10对控制-标签对（而非标准的40对）实现可靠的 CBF 估计，从而减少扫描时间，同时不牺牲图像质量。
• 开发一种快速、前馈推理模型，与基于优化的迭代方法相比，显著降低推理时间。

提出的方法

• 提出 ASLDLD，一种基于 Wide Inference Network（WIN）架构的五层宽卷积神经网络（CNN），采用7×7卷积核和每层128个滤波器，以捕捉空间相关性和局部强度分布。
• 通过建模残差映射 $ T(y) $ 实现残差学习，使得输出为 $ x = y + T(y; \Theta) $，从而实现深层网络的稳定训练。
• 在每个卷积层后（最后一个层除外）引入批量归一化和 ReLU 激活函数，以加速并稳定训练过程。
• 在损失函数中引入灰质（GM）概率图作为正则化项，引导网络生成解剖学上合理的 CBF 图像。
• 定义损失函数为 $ l(\Theta) = \frac{1}{2N}\sum_{i=1}^{N} ||y_i + T(y_i; \Theta) - x_i||^2 + \alpha ||y_i - \gamma_i|| $，其中 $ \alpha = 0.1 $，以强制预测 CBF 图与 GM 图之间的结构相似性。
• 使用 ADAM 优化器在 GPU 上进行端到端训练，学习率为 0.1，动量为 0.9，权重衰减为 $ 10^{-4} $，梯度裁剪阈值为 0.1，使用批量大小为 64 的小批量数据。

实验结果

研究问题

• RQ1 基于深度学习的去噪方法在信噪比和图像质量方面是否优于传统 ASL 后处理方法？
• RQ2 在大规模 ASL 图像数据集上训练的深度学习模型，是否能仅使用10对控制-标签对而非40对，有效对 CBF 图像进行去噪？
• RQ3 通过引入解剖先验知识（利用灰质概率图），是否能提升去噪网络的鲁棒性与准确性？
• RQ4 与基于迭代优化的去噪方法相比，所提出的深度学习模型是否能显著减少推理时间？
• RQ5 该模型在低信噪比 ASL 图像中，对部分容积效应的校正程度如何，是否能有效保留细微解剖结构？

主要发现

• ASLDLD 相较于非深度学习方法，信噪比（SNR）相对提升了 38.6%，p 值为 1.14e-4，表明具有统计学显著性。
• 该模型成功恢复了脑-空气边界区域的 CBF 信号，并减少了因部分容积效应导致的信号丢失，视觉对比中绿色和黄色框区域的对比度提升可证实此效果。
• ASLDLD 通过仅使用10对控制-标签对而非标准的40对，实现了75%的扫描时间减少，同时降低了运动相关伪影。
• ASLDLD 的前馈推理架构将测试时间计算降低至近乎即时，相比之下，传统方法依赖耗时的优化过程。
• 将灰质概率图作为正则化项，提升了去噪后 CBF 图像的解剖学合理性，增强了结构保真度。
• 该模型在多种受试者中表现出稳健性能，即使在低信噪比条件下，SNR 和图像纹理也保持一致提升。