磁共振成像（ MRI ）是一種有用的軟組織或分子擴散成像技術。然而，獲取 MR 圖像的掃描時間可能相當長。有幾種方法可以用來減少掃描時間，包括矩形視場（ RFOV ）、部分傅里葉成像和采樣截斷。這些方法要么導致信噪比（ SNR ）降低，要么導致分辨率降低。有關更多信息，請參閱k 空間教程：更好地理解 k 空間的 MRI 教育工具。

當使用采樣截斷技術以減少掃描和數據傳輸時間時，吉布斯現象也稱為振鈴或截斷偽影，會出現在結果圖像中。通常，通過平滑圖像來消除吉布斯現象，從而降低圖像分辨率。

在這篇文章中，我們探索了一種使用 NVIDIA Clara AGX 開發者套件的深度學習方法，以消除磁共振圖像中的吉布斯現象和噪聲，同時保持高圖像分辨率。

信號可以表示為頻率和相位變化的正弦波的無限和。 MR 圖像通過使用相對較少的 h ARM 電子近似，從而導致吉布斯現象的存在。圖 1 顯示了一個類似的一維情況，即僅用幾個 h ARM 電子近似方波，右側 MRI 模型中的吉布斯現象。

圖 1 。（左）截斷偽影，也稱為吉布斯現象，僅使用五個 h ARM 源近似方波時顯示：Wikipedia. （右）二維 MRI 模型中顯示的吉布斯現象。

數據集和模型

我們擴展了現有的用于 Gibbs 和噪聲消除的深度學習方法 dldegibbs 的工作。有關更多信息，請參閱擴散磁共振成像中 Gibbs 神經網絡的訓練與去噪。該白皮書的代碼在/mmuckley/dldegibbs GitHub repo 中。

在他們的工作中，大約 130 萬張模擬吉布斯現象和高斯噪聲的 ImageNet 圖像被用作訓練數據。在我們的項目中，我們測試了 Muckley 等人開發的一些預訓練 dldegibbs 模型，并使用開放圖像數據集訓練了我們自己的模型。我們最后用 MRI 擴散數據測試了不同的模型。

為什么要模擬吉布斯現象？

與其他網絡相比，使用 dldegibbs 的一個好處是它不需要訪問原始 MRI 數據和系統參數。該數據很難獲得，因為該數據的存儲要求很高，并且在圖像重建后通常不會保留該數據。

另一個好處是不需要專有信息或與供應商簽署研究協議。此外，還可以節省收集和分發醫療數據的時間，這可能是一項挑戰。使用異構數據集（如 ImageNet 或 Open Images ）對模型進行訓練有可能使該方法應用于其他 MRI 序列或成像模式，因為訓練數據本質上是對象不可知的。

dldegibbs 的數據加載程序為每個加載的映像創建兩個映像：一個訓練映像和一個目標映像。在傅里葉域中模擬原始圖像上的吉布斯現象生成訓練圖像。將調整原始圖像的大小并將其用作目標圖像。數據加載程序包括標準數據增強方法（隨機翻轉、裁剪），然后是隨機相位模擬和橢圓裁剪。接下來，對原始圖像進行 FFT 處理，進行 Gibbs 裁剪，添加復高斯噪聲，并模擬部分傅里葉變換。最后，應用逆 FFT 對圖像進行歸一化處理。圖 2 顯示了模擬管道。

圖 2 。吉布斯現象方框圖與噪聲模擬。

在這個項目中，我們使用了由 170 多萬張訓練圖像組成的開放圖像數據集。然后，我們在由 170 名患者（ 996424 個軸向切片）［5］組成的磁共振擴散數據集上測試訓練模型。圖 3 顯示了一個示例 MRI 擴散切片。

圖 3 。測試集中使用的 MRI 擴散軸向切片示例。

結果

圖 4 顯示了使用 dldegibbs 模型測試的驗證圖像示例，該模型使用完全開放的圖像訓練數據集進行訓練。圖 5 顯示了相應的錯誤。訓練圖像在傅里葉空間從 256 × 256 裁剪到 100 × 100 。該模型未模擬部分傅里葉成像。

圖 4 。示例 dldegibbs 輸入（數據）、輸出（估計）和來自 Open Images 驗證數據集的目標圖像。

圖 5 。數據輸入和目標之間的誤差（左）和估計輸出和目標之間的誤差（右）。

數據與目標之間的平均 MSE 為 13 。 2 ± 9 。 2% 。估計值與目標值之間的平均誤差為 2 。 9 ± 2 。 7% 。對于此圖像， dldegibbs 模型可使圖像質量提高 10% 以上。

概括

在這篇文章中，我們提供了一個可以與 Clara AGX 開發工具包一起使用的解決方案，使用以下資源從 MR 圖像中去除噪聲和吉布斯現象：

一種商用數據集，稱為 Open Images

一個開源的 ML 模型，稱為 dldegibbs

關于作者

Emily Anaya 是 NVIDIA Clara AGX團隊的實習生，致力于消除磁共振成像（MRI）中的吉布斯現象和噪音。她也是一名博士。斯坦福大學電子工程專業的候選人，她的顧問是克雷格·萊文博士。她的研究重點是解決正電子發射斷層成像和磁共振成像（PET/MRI）組合中的光子衰減問題。

Emmett McQuinn 是 NVIDIA Clara AGX 團隊的高級工程師。埃米特之前是一家助聽器初創公司的創始工程師，領導機器學習和 DSP 團隊，具有自主機器人、科學可視化和超低功耗神經網絡芯片的工作經驗。

審核編輯：郭婷