WikiEdge:ArXiv速遞/2025-03-23

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：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
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605例心臟回顧性門控電影復序列（共2,885,236幅圖像）的大規模數據集，採用兩種骨幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，利用MRI重建過程的知識來提升去噪性能。在3000個樣本的保留測試集上進行了分布內測試，使用PSNR和SSIM指標評估性能，並與未採用噪聲增強的消融實驗進行對比。分布外測試則在1.5T 場強下獲取的心臟實時電影、首過心臟灌注、神經及脊柱 MRI上進行，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本上表現出良好泛化性，分別為實時電影和灌注成像帶來6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D掃描和T2 TSE 脊柱 MRI也展現出優秀泛化性能。