[论文解读] 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 4

一句话总结

SDnDTI 提出了一种自监督深度学习方法，用于去噪扩散张量磁共振成像（DTI），且无需额外的高信噪比（SNR）训练数据。它通过张量拟合从扩散加权图像（DWIs）的子集合成低SNR输入和高SNR目标，然后训练一个3D卷积神经网络（CNN）以去噪前者，从而在图像质量与信噪比增益方面达到与监督方法相当的性能。

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.

研究动机与目标

• 解决扩散加权图像（DWIs）中的噪声问题，该问题会降低DTI衍生的微结构参数准确性并增加扫描时间。
• 克服现有深度学习去噪方法依赖高SNR监督数据的局限性，而此类数据通常难以获取或不切实际。
• 开发一种自监督框架，从用于输入的相同数据中生成合成的高SNR目标，从而消除对外部高SNR扫描的依赖。
• 在显著提升信噪比（SNR）的同时，保留图像锐度和纹理细节。
• 实现与监督学习方法相当的去噪性能，并优于传统算法如BM4D、AONLM和MPPCA。

提出的方法

• 将多方向DTI数据划分为多个子集，每个子集包含沿最优选择的扩散编码方向的六个DWI体素，这些方向对张量拟合具有抗噪声鲁棒性。
• 对每个子集进行张量拟合，以合成所有已获取的扩散编码方向上的DWI体素，形成CNN的低SNR输入。
• 通过全数据张量拟合生成高SNR目标DWI体素用于监督，实现无需外部数据的自监督训练。
• 采用3D卷积神经网络（CNN）学习通过最小化与高SNR目标的重建误差来去噪合成的低SNR体素。
• 将训练好的CNN独立应用于每个子集进行去噪，并通过平均合并结果以进一步提升SNR。
• 利用多方向DTI数据中的固有冗余性，构建一种自监督学习范式，其中监督信号源自同一扫描数据本身。

实验结果

研究问题

• RQ1 自监督深度学习框架能否在无需外部高SNR训练数据的情况下有效去噪DTI数据？
• RQ2 SDnDTI在信噪比（SNR）和图像质量方面与监督深度学习方法及传统去噪方法（如BM4D、AONLM和MPPCA）相比表现如何？
• RQ3 与原始DTI数据相比，SDnDTI在保留图像锐度和纹理细节方面达到何种程度？
• RQ4 SDnDTI在不同扩散编码方向和数据集之间对噪声变化的鲁棒性如何？
• RQ5 基于张量拟合并从数据子集合成的自监督训练策略，能否在DTI去噪中实现与监督方法相当的性能？

主要发现

• 尽管未使用任何外部高SNR数据，SDnDTI的去噪性能与基于监督深度学习的方法相当。
• 在人类连接组计划（HCP）和老龄化生命历程HCP数据集上，SDnDTI显著提升了SNR，同时保留了精细的图像细节和锐度。
• SDnDTI在定量SNR指标和主观图像质量方面，均优于最先进的传统去噪算法，包括BM4D、AONLM和MPPCA。
• 该方法有效降低了所有扩散编码方向上的噪声，且在衍生的扩散张量参数中均表现出一致的改进。
• 通过平均多个数据子集的去噪输出，进一步提升了SNR，证明了自监督框架的稳健性。
• 基于数据子集张量拟合的自监督训练策略，可产生高质量且在不同数据集和扫描协议间稳定的去噪结果。