磁共振成像( MRI )是一种有用的软组织或分子扩散成像技术。然而,获取 MR 图像的扫描时间可能相当长。有几种方法可以用来减少扫描时间,包括矩形视场( RFOV )、部分傅里叶成像和采样截断。这些方法要么导致信噪比( SNR )降低,要么导致分辨率降低。有关更多信息,请参阅k 空间教程:更好地理解 k 空间的 MRI 教育工具。
当使用采样截断技术以减少扫描和数据传输时间时,吉布斯现象也称为振铃或截断伪影,会出现在结果图像中。通常,通过平滑图像来消除吉布斯现象,从而降低图像分辨率。
在这篇文章中,我们探索了一种使用 NVIDIA Clara AGX 开发者套件的深度学习方法,以消除磁共振图像中的吉布斯现象和噪声,同时保持高图像分辨率。
信号可以表示为频率和相位变化的正弦波的无限和。 MR 图像通过使用相对较少的 h ARM 电子近似,从而导致吉布斯现象的存在。图 1 显示了一个类似的一维情况,即仅用几个 h ARM 电子近似方波,右侧 MRI 模型中的吉布斯现象。
图 1 。(左)截断伪影,也称为吉布斯现象,仅使用五个 h ARM 源近似方波时显示:Wikipedia. (右)二维 MRI 模型中显示的吉布斯现象。
数据集和模型
我们扩展了现有的用于 Gibbs 和噪声消除的深度学习方法 dldegibbs 的工作。有关更多信息,请参阅扩散磁共振成像中 Gibbs 神经网络的训练与去噪。该白皮书的代码在/mmuckley/dldegibbs GitHub repo 中。
在他们的工作中,大约 130 万张模拟吉布斯现象和高斯噪声的 ImageNet 图像被用作训练数据。在我们的项目中,我们测试了 Muckley 等人开发的一些预训练 dldegibbs 模型,并使用开放图像数据集训练了我们自己的模型。我们最后用 MRI 扩散数据测试了不同的模型。
为什么要模拟吉布斯现象?
与其他网络相比,使用 dldegibbs 的一个好处是它不需要访问原始 MRI 数据和系统参数。该数据很难获得,因为该数据的存储要求很高,并且在图像重建后通常不会保留该数据。
另一个好处是不需要专有信息或与供应商签署研究协议。此外,还可以节省收集和分发医疗数据的时间,这可能是一项挑战。使用异构数据集(如 ImageNet 或 Open Images )对模型进行训练有可能使该方法应用于其他 MRI 序列或成像模式,因为训练数据本质上是对象不可知的。
dldegibbs 的数据加载程序为每个加载的映像创建两个映像:一个训练映像和一个目标映像。在傅里叶域中模拟原始图像上的吉布斯现象生成训练图像。将调整原始图像的大小并将其用作目标图像。数据加载程序包括标准数据增强方法(随机翻转、裁剪),然后是随机相位模拟和椭圆裁剪。接下来,对原始图像进行 FFT 处理,进行 Gibbs 裁剪,添加复高斯噪声,并模拟部分傅里叶变换。最后,应用逆 FFT 对图像进行归一化处理。图 2 显示了模拟管道。
图 2 。吉布斯现象方框图与噪声模拟。
在这个项目中,我们使用了由 170 多万张训练图像组成的开放图像数据集。然后,我们在由 170 名患者( 996424 个轴向切片)[5]组成的磁共振扩散数据集上测试训练模型。图 3 显示了一个示例 MRI 扩散切片。
图 3 。测试集中使用的 MRI 扩散轴向切片示例。
结果
图 4 显示了使用 dldegibbs 模型测试的验证图像示例,该模型使用完全开放的图像训练数据集进行训练。图 5 显示了相应的错误。训练图像在傅里叶空间从 256 × 256 裁剪到 100 × 100 。该模型未模拟部分傅里叶成像。
图 4 。示例 dldegibbs 输入(数据)、输出(估计)和来自 Open Images 验证数据集的目标图像。
图 5 。数据输入和目标之间的误差(左)和估计输出和目标之间的误差(右)。
数据与目标之间的平均 MSE 为 13 。 2 ± 9 。 2% 。估计值与目标值之间的平均误差为 2 。 9 ± 2 。 7% 。对于此图像, dldegibbs 模型可使图像质量提高 10% 以上。
概括
在这篇文章中,我们提供了一个可以与 Clara AGX 开发工具包一起使用的解决方案,使用以下资源从 MR 图像中去除噪声和吉布斯现象:
一种商用数据集,称为 Open Images
一个开源的 ML 模型,称为 dldegibbs
关于作者
Emily Anaya 是 NVIDIA Clara AGX团队的实习生,致力于消除磁共振成像(MRI)中的吉布斯现象和噪音。她也是一名博士。斯坦福大学电子工程专业的候选人,她的顾问是克雷格·莱文博士。她的研究重点是解决正电子发射断层成像和磁共振成像(PET/MRI)组合中的光子衰减问题。
Emmett McQuinn 是 NVIDIA Clara AGX 团队的高级工程师。埃米特之前是一家助听器初创公司的创始工程师,领导机器学习和 DSP 团队,具有自主机器人、科学可视化和超低功耗神经网络芯片的工作经验。
审核编辑:郭婷
-
芯片
+关注
关注
449文章
48580浏览量
413084 -
神经网络
+关注
关注
42文章
4606浏览量
99465 -
NVIDIA
+关注
关注
14文章
4682浏览量
102117
发布评论请先 登录
相关推荐
如何使用硬件FIFO来减少接收中断次数
![如何使用硬件FIFO来<b class='flag-5'>减少</b>接收中断<b class='flag-5'>次数</b>](https://file1.elecfans.com/web2/M00/AC/A5/wKgaomVIaomAGZFyAAAFEPHXVBc502.png)
AI 大模型引发算力变革!NVIDIA 带您直击“Wave Summit 2023 深度学习开发者大会”精彩盛况!
![AI 大模型引发算力变革!<b class='flag-5'>NVIDIA</b> 带您直击“Wave Summit 2023 <b class='flag-5'>深度</b><b class='flag-5'>学习</b>开发者大会”精彩盛况!](https://file1.elecfans.com//web2/M00/9F/F8/wKgZomToR-OAM-OhAAGmLglnEWk265.jpg)
深度学习服务器怎么做 深度学习服务器diy 深度学习服务器主板用什么
一文预览 | 8 月 16 日 NVIDIA 在 WAVE SUMMIT 深度学习开发者大会 2023 精彩亮点抢先看!
![一文预览 | 8 月 16 日 <b class='flag-5'>NVIDIA</b> 在 WAVE SUMMIT <b class='flag-5'>深度</b><b class='flag-5'>学习</b>开发者大会 2023 精彩亮点抢先看!](https://file1.elecfans.com//web2/M00/9F/D4/wKgZomToRCyAKEx9AARtGcqRcXc998.jpg)
用于3D MRI和CT扫描的深度学习模型总结
![用于3D <b class='flag-5'>MRI</b>和CT<b class='flag-5'>扫描</b>的<b class='flag-5'>深度</b><b class='flag-5'>学习</b>模型总结](https://file1.elecfans.com/web2/M00/90/23/wKgZomTVoveAKV3lAAFwHjIiE2k830.png)
学习资源 | NVIDIA TensorRT 全新教程上线
![<b class='flag-5'>学习</b>资源 | <b class='flag-5'>NVIDIA</b> TensorRT 全新教程上线](https://file1.elecfans.com//web2/M00/A0/C7/wKgaomToPMCACEEQAABDYMZ-TIM441.gif)
京东和美团已选用NVIDIA Jetson AGX Xavier 平台
深度学习如何挑选GPU?
![<b class='flag-5'>深度</b><b class='flag-5'>学习</b>如何挑选GPU?](https://file1.elecfans.com/web2/M00/8C/8D/wKgaomSuI12ADvFAAAAUgDLq0-A414.jpg)
评论