[论文解读] MRI Banding Removal via Adversarial Training

Aaron Defazio, Tullie Murrell+1 more|arXiv (Cornell University)|Jan 23, 2020

Medical Imaging Techniques and Applications参考文献 20被引用 8

一句话总结

本文提出一种对抗性训练方法，可在无需人工标注或额外计算的情况下消除基于深度学习的磁共振成像（MRI）重建中的条带伪影。通过训练判别器以检测与相位编码方向对齐的条带模式，该方法显著减少了可见伪影，同时保留了诊断细节，在盲法放射科医生评估中优于基线模型。

ABSTRACT

MRI images reconstructed from sub-sampled Cartesian data using deep learning techniques often show a characteristic banding (sometimes described as streaking), which is particularly strong in low signal-to-noise regions of the reconstructed image. In this work, we propose the use of an adversarial loss that penalizes banding structures without requiring any human annotation. Our technique greatly reduces the appearance of banding, without requiring any additional computation or post-processing at reconstruction time. We report the results of a blind comparison against a strong baseline by a group of expert evaluators (board-certified radiologists), where our approach is ranked superior at banding removal with no statistically significant loss of detail.

研究动机与目标

• 解决基于深度学习的MRI重建中条带伪影这一主要临床障碍。
• 开发一种无需人工标注数据或后处理即可减少条带伪影的方法。
• 在提升图像视觉质量的同时保持图像细节。
• 创建一种可与任何监督式深度学习MRI重建框架兼容的即插即用解决方案。

提出的方法

• 引入一种方向性对抗器，根据相位编码方向对齐的条带伪影存在与否来区分重建图像。
• 仅使用重建图像而非真实图像来训练对抗器，以避免引入幻觉解剖结构。
• 将对抗性损失整合到标准监督式MRI重建模型的训练目标中。
• 采用掩码机制，将对抗性损失聚焦于条带最明显的区域，如低对比度或高噪声区域。
• 通过标准GAN优化方法联合训练生成器与判别器，使生成器学习生成无条带伪影的输出。
• 将该方法应用于最先进MRI重建模型，且不修改其网络架构或推理流程。

实验结果

研究问题

• RQ1 对抗性训练是否能在无需人工标注的情况下有效减少基于深度学习的MRI重建中的条带伪影？
• RQ2 所提出的方法在去除条带伪影的同时是否能保留精细解剖细节？
• RQ3 方向性对抗器是否能在不依赖真实图像的情况下检测条带模式？
• RQ4 该方法是否与现有的监督式MRI重建框架兼容？
• RQ5 该方法是否在盲法评估中提升了放射科医生对图像质量的感知？

主要发现

• 在由认证放射科医生进行的盲法评估中，所提方法在条带伪影去除方面优于基线模型，且未造成显著的细节损失。
• 放射科医生在72.5%的基线重建图像中报告存在条带伪影（95%置信区间：0.62–0.82），而对抗性方法将这一比例降低至评估者间的中位数20%。
• 该方法在推理阶段无需额外计算或后处理，即实现了更优性能。
• 方向性对抗器成功仅基于重建图像检测到条带模式，避免了引入幻觉解剖结构的风险。
• 该方法可普遍适用于任何监督式深度学习MRI重建模型，因其作为即插即用的训练损失模块运行。
• 为确保可复现性与集成，参考实现已公开发布于补充材料中。