WikiEdge:ArXiv速递/2025-03-23

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。