[论文解读] Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders (DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN)

Fernando Vega, Abdoljalil Addeh+1 more|arXiv (Cornell University)|Jul 12, 2023

Advanced MRI Techniques and Applications被引用 4

一句话总结

本研究提出一种去噪Cycle-GAN框架，无需成对训练数据，即可从模拟的低场（70mT）MRI扫描中重建高场、高信噪比（SNR）的MRI图像。通过利用未配对的3T与低场MRI图像，该模型在去噪性能上优于传统去噪自编码器（DAE），在平均PSNR上提高了14.62%，且在对比度和结构保真度方面表现出更优的图像质量，证明了生成式深度学习在低场MRI增强中的可行性。

ABSTRACT

In this work, a denoising Cycle-GAN (Cycle Consistent Generative Adversarial Network) is implemented to yield high-field, high resolution, high signal-to-noise ratio (SNR) Magnetic Resonance Imaging (MRI) images from simulated low-field, low resolution, low SNR MRI images. Resampling and additive Rician noise were used to simulate low-field MRI. Images were utilized to train a Denoising Autoencoder (DAE) and a Cycle-GAN, with paired and unpaired cases. Both networks were evaluated using SSIM and PSNR image quality metrics. This work demonstrates the use of a generative deep learning model that can outperform classical DAEs to improve low-field MRI images and does not require image pairs.

研究动机与目标

• 解决低场MRI（70mT）中因信噪比（SNR）低和分辨率差带来的挑战，且不依赖成对图像数据。
• 通过利用无需图像配准或对齐的深度生成模型，提升低场MRI的图像质量。
• 评估Cycle-GAN在从模拟低场数据重建高场质量图像方面是否优于经典去噪自编码器（DAE）。
• 开发一种能够利用未配对数据从低场扫描中实现高质量MRI重建的流程，降低对昂贵高场扫描仪的依赖。

提出的方法

• 通过将1mm³各向同性3T T1加权MRI图像重采样至1.5mm³分辨率，并添加Rician噪声以模拟70mT场强，生成模拟低场MRI数据。
• 采用MONAI深度学习框架实现3D Cycle-GAN架构，包含两个生成器和两个判别器，端到端训练500个周期。
• 模型采用13层结构，以9个残差块作为瓶颈，与DAE中常见的U-Net架构不同，且在未配对的高场与低场图像分布上运行。
• 生成器学习将低场噪声图像转换为类似高场的去噪图像，反之亦然；判别器则用于区分真实图像与生成图像。
• 训练过程强制执行循环一致性，确保图像经翻译后返回原图时能保持原始内容。
• 通过未见测试图像使用SSIM和PSNR指标评估性能，并将Cycle-GAN与在成对数据上训练的标准DAE进行对比。

实验结果

研究问题

• RQ1 基于Cycle-GAN的方法能否在无需成对训练图像的情况下，有效对模拟低场MRI（70mT）进行去噪？
• RQ2 在PSNR和SSIM方面，Cycle-GAN生成图像的图像质量与传统DAE相比如何？
• RQ3 在低SNR、低分辨率的MRI重建中，Cycle-GAN是否比DAE更好地保留了解剖结构和对比度？
• RQ4 在低场MRI去噪任务中，未配对的生成模型在多大程度上优于成对的自编码器方法？

主要发现

• 在未见测试图像上，Cycle-GAN模型的平均PSNR比DAE高出14.62%，表明其具有更优的降噪性能。
• 尽管DAE在SSIM上高出1.15%，但PSNR对噪声比较更为敏感，因此Cycle-GAN更高的PSNR表明其具备更强的去噪能力。
• 视觉评估确认，Cycle-GAN生成的图像在对比度、边缘锐度以及解剖形态保真度方面均优于DAE输出。
• Cycle-GAN成功实现了从低场模拟数据中重建出高场质量图像，且无需图像配对或配准，证明其对分布偏移具有鲁棒性。
• 该模型在未配对数据上的表现表明，其可良好泛化至实际低场MRI应用，而此类场景中成对数据往往难以获取。
• 结果表明，当难以获得成对数据时，Cycle-GAN可作为DAE在低场MRI重建中的可行替代方案。