[论文解读] Review: Noise and artifact reduction for MRI using deep learning

Daiki Tamada|arXiv (Cornell University)|Feb 28, 2020

Medical Imaging Techniques and Applications参考文献 40被引用 11

一句话总结

本文综述了基于深度学习（DL）的磁共振成像（MRI）去噪与伪影抑制方法，重点聚焦于卷积神经网络（CNN）、自编码器、生成对抗网络（GAN）以及U-Net架构。结果表明，与传统方法相比，DL技术能有效抑制混叠、条纹、吉布斯、金属及带状伪影，同时提升图像质量并减少计算时间。

ABSTRACT

For several years, numerous attempts have been made to reduce noise and artifacts in MRI. Although there have been many successful methods to address these problems, practical implementation for clinical images is still challenging because of its complicated mechanism. Recently, deep learning received considerable attention, emerging as a machine learning approach in delivering robust MR image processing. The purpose here is therefore to explore further and review noise and artifact reduction using deep learning for MRI.

研究动机与目标

• 综述近期用于减少MRI扫描中噪声与伪影的深度学习技术。
• 分析不同深度学习架构（如CNN、U-Net、自编码器和GAN）在提升图像质量方面的性能表现。
• 评估训练数据获取中的挑战，特别是当真实标签不可用时，伪影抑制任务的训练数据构建难题。
• 评估传统图像质量度量指标的局限性，并探讨无需参考的替代指标，如NIQE与BRISQUE。
• 讨论基于深度学习的MRI重建方法的临床可行性及未来发展前景。

提出的方法

• 采用单尺度CNN（SCNN）与残差学习，通过学习噪声图像与干净图像之间的残差来建模并去除噪声。
• 利用带有跳跃连接的U-Net架构，以保留空间细节并处理混叠与条纹等全局伪影。
• 应用自编码器对图像特征进行压缩与重建，从噪声输入中学习潜在流形结构。
• 借助GAN通过对抗训练过程区分真实输出与生成输出，生成逼真且高保真的图像。
• 将基于模型的深度学习与展开优化相结合，用于欠采样k空间数据，以减少可训练参数量与计算时间。
• 采用无需参考的图像质量度量指标（如NIQE与BRISQUE）评估性能，尤其适用于真实标签不可用的伪影抑制任务。

实验结果

研究问题

• RQ1 不同深度学习架构在MRI中减少噪声与伪影方面的表现如何比较？
• RQ2 当真实标签不可用时，生成真实训练数据用于伪影抑制面临哪些关键挑战？
• RQ3 深度学习方法是否能在伪影抑制方面超越传统技术（如压缩感知与k空间滤波）？
• RQ4 无需参考的图像质量度量指标在无真实标签条件下评估基于深度学习的MRI重建效果时有多有效？
• RQ5 基于深度学习的方法在滤波后能在多大程度上保留解剖纹理与细微结构？

主要发现

• 基于深度学习的方法，尤其是U-Net与DnCNN，在欠采样MRI数据中显著减少了混叠与条纹伪影，优于传统压缩感知（CS）重建方法。
• 在DnCNN等网络中采用残差学习可实现更快收敛与更好泛化能力，尤其在噪声抑制方面表现突出。
• 基于CNN的吉布斯伪影抑制方法能有效去除振铃伪影，且不会引入传统k空间滤波中常见的模糊问题。
• 结合双极读出与金属伪影校正技术的U-Net能有效减轻金属植入物引起的图像失真与模糊。
• 无需参考的度量指标（如NIQE与BRISQUE）在真实标签不可用时仍能提供可靠的图像质量评估，支持临床应用评估。
• 尽管性能优异，但若网络训练不当或噪声/伪影建模有误，可能导致图像纹理与细微结构发生改变，凸显了网络设计需格外谨慎的重要性。