查看“WikiEdge:ArXiv速递/2025-03-23”的源代码

== 摘要 ==
* '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
* '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法
* '''发布日期'''：2025-03-23 18:16:36+00:00
* '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
* '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV
*'''原文链接'''：http://arxiv.org/abs/2503.18162v1
'''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605例[[心脏]][[回顾性门控]][[电影复序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[骨干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，利用[[MRI重建]]过程的[[知识]]来提升去噪性能。在3000个样本的[[保留测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]]指标评估性能，并与未采用[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则在[[1.5T]][[场强]]下获取的[[心脏实时电影]]、[[首过心脏灌注]]、[[神经]]及[[脊柱]][[MRI]]上进行，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]的[[泛化能力]]。[[分布内测试]]中的最佳模型在[[分布外]]样本上表现出良好[[泛化性]]，分别为[[实时电影]]和[[灌注成像]]带来6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏电影]]数据训练的模型对[[T1]][[MPRAGE]][[神经]][[3D扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀[[泛化性能]]。