[论文解读] Respiratory Motion Correction in Abdominal MRI using a Densely Connected U-Net with GAN-guided Training

Wenhao Jiang, Zhiyu Liu+6 more|arXiv (Cornell University)|Jun 24, 2019

Advanced MRI Techniques and Applications参考文献 14被引用 15

一句话总结

本文提出一种生成对抗网络（GAN）引导的密集连接U-Net，结合感知损失，用于腹部MRI呼吸运动伪影校正。该方法在合成与真实运动伪影扫描中均有效减少了模糊和鬼影伪影，通过深度学习实现图像质量的显著恢复，且无需额外扫描时间或患者不适。

ABSTRACT

Abdominal magnetic resonance imaging (MRI) provides a straightforward way of characterizing tissue and locating lesions of patients as in standard diagnosis. However, abdominal MRI often suffers from respiratory motion artifacts, which leads to blurring and ghosting that significantly deteriorate the imaging quality. Conventional methods to reduce or eliminate these motion artifacts include breath holding, patient sedation, respiratory gating, and image post-processing, but these strategies inevitably involve extra scanning time and patient discomfort. In this paper, we propose a novel deep-learning-based model to recover MR images from respiratory motion artifacts. The proposed model comprises a densely connected U-net with generative adversarial network (GAN)-guided training and a perceptual loss function. We validate the model using a diverse collection of MRI data that are adversely affected by both synthetic and authentic respiration artifacts. Effective outcomes of motion removal are demonstrated. Our experimental results show the great potential of utilizing deep-learning-based methods in respiratory motion correction for abdominal MRI.

研究动机与目标

• 解决腹部MRI中因呼吸运动导致的图像质量下降与诊断准确性降低的问题。
• 开发一种基于深度学习的方法，在不需屏气或额外扫描时间的情况下校正运动伪影。
• 通过生成对抗网络（GAN）引导的训练策略，提升图像重建的保真度。
• 在包含合成与真实呼吸运动伪影的多样化数据集上验证该方法的有效性。
• 展示感知损失在增强校正后MR图像结构与纹理细节方面的优势。

提出的方法

• 采用密集连接U-Net架构以捕捉多尺度特征，并在训练过程中改善梯度流动。
• 集成生成对抗网络（GAN）训练，以提升校正后MR图像的真实感与结构一致性。
• 采用基于预训练VGG网络特征的感知损失函数，以保留精细解剖细节。
• 模型在成对数据上端到端训练：运动伪影MR图像及其对应的无运动伪影参考图像。
• 应用数据增强与归一化技术，以提升在多样化腹部MRI扫描中的泛化能力。
• GAN分支中的判别器经过训练，能够区分真实图像与生成的校正图像，从而推动输出结果更具真实性。

实验结果

研究问题

• RQ1 深度学习模型是否能在不依赖额外扫描时间或患者配合的情况下，有效校正腹部MRI中的呼吸运动伪影？
• RQ2 与标准损失函数相比，GAN引导的训练在提升校正后MR图像的感知质量与结构保真度方面有何优势？
• RQ3 所提出方法在合成与真实运动伪影腹部MRI扫描中的泛化能力如何？
• RQ4 与标准L2损失相比，感知损失函数的引入是否能更有效地保留解剖细节？
• RQ5 与标准U-Net变体相比，密集连接U-Net架构在运动校正任务中对性能的贡献如何？

主要发现

• 所提出方法在合成与真实呼吸运动伪影腹部MRI扫描中均显著减少了模糊与鬼影伪影。
• 采用GAN引导训练使校正输出具有更逼真的图像纹理与更优的结构一致性。
• 感知损失函数增强了对精细解剖细节的保留，从而提升了视觉质量与诊断相关性。
• 在定量与定性评估中，该方法均优于基线模型，包括标准U-Net与采用L2损失的U-Net。
• 该方法在多样化数据集上表现出良好的泛化能力，对扫描协议与运动模式的差异具有鲁棒性。
• 该方法可在不需屏气或额外扫描时间的情况下实现高质量图像重建，为临床应用提供了实用解决方案。