MRI图像降噪技术综述.pdf
《MRI图像降噪技术综述.pdf》由会员分享,可在线阅读,更多相关《MRI图像降噪技术综述.pdf(10页珍藏版)》请在咨信网上搜索。
1、 计算机工程与应用 MRI 图像降噪技术综述蒲晓蓉1*,陈佳俊2,高励3,赵越1,罗纪翔1,刘军池1,任亚洲1(1.电子科技大学计算机科学与工程学院成都611731;2.电子科技大学格拉斯哥学院成都611731;3.成都市第三人民医院神经内科成都610031)【摘要】核磁共振成像技术已广泛用于脑部、脊髓和心脏等相关疾病的临床诊断。然而,由采样时间、环境、设备质量等多种因素导致的成像噪声制约着诊断精度的进一步提高。综合研究了 MRI 降噪技术的发展脉络,系统梳理了基于滤波、变换、统计等传统 MRI 图像降噪方法,并重点分析了当前基于深度学习的 MRI 图像降噪系列新方法,展望了 MRI 图像降噪
2、的未来发展趋势。最后,总结了现有医学图像质量评估方法,并指出针对依赖大量数据和人工标注医学图像样本、而可解释性较差的现有深度学习方法,需要探索性研究面向临床实际任务的医学图像质量评估新方法。关键词深度学习;核磁共振;医学图像质量评估;MRI 图像降噪中图分类号TN415文献标志码Adoi:10.12178/1001-0548.2022248SurveyonMagneticResonanceImageDenoisingPUXiaorong1*,CHENJiajun2,GAOLi3,ZHAOYue1,LUOJixiang1,LIUJunchi1,andRENYazhou1(1.SchoolofCo
3、mputerScienceandEngineering,UniversityofElectronicScienceandTechnologyofChinaChengdu611731;2.GlasgowCollege,UniversityofElectronicScienceandTechnologyofChinaChengdu611731;3.DepartmentofNeurology,TheThirdPeoplesHospitalofChengduChengdu610031)AbstractMagneticResonanceImaging(MRI)hasbeenextensivelyempl
4、oyedasanauxiliarymeanstodiagnosepathologicaldeteriorationofbrain,spinalcordandheartrelateddiseasesclinically.Nevertheless,imagingnoiseinducedbybothinternalandexternalimpactsrestrictfurtherimprovementondiagnosticaccuracy.Thispapercarriesoutareviewontechnologicalinnovationsrangingfromearlierconvention
5、alapproachesbasedonfiltertechniqueostate-of-the-artalternativesutilizingthedeeplearningnetwork.Finally,someinductivesummariesofthemedicalimagequalityassessmentshavebeenintroduced.Italsopointsoutthatexistingdeeplearningmethods,whichrelyonalargeamountofdataandmanualannotationofmedicalimagesamples,arep
6、oorlyinterpretable.Itisvitalthatclinical-orientedevaluationmechanismshouldbeexploredforclinicaldemands.Key words deep learning;magnetic resonance imaging;medical image quality assessment;MRIimagedenoising医学影像诊断已经成为临床医学诊疗的一种常见手段之一。磁共振成像(magneticresonanceimaging,MRI)是一种以非入侵方式取得活组织的病理及其生理改变信息的成像技术1。MRI
7、 具备多功能性、高诊断实用性和灵活性等技术优势,广泛应用于测量组织扩散、组织温度、心脏成像、脑部成像等许多临床任务。对于人体的非骨性部位以及软组织结构,MRI 可以形成更清晰的影像。与使用常规 X 射线的 CT 成像相比,MRI 不存在电离辐射影响,对大脑、脊髓、神经、肌肉、韧带、肌腱等部位的成像效果更佳。实际应用中,MRI 利用电磁场和核自旋相关性,通过检测处于强磁场中由谐振磁激励脉冲激发的氢原子产生的信号,绘制成像目标内部特定原子核和质子的空间位置和相关属性2。在单通道信号采集中,因为需要频繁计算原数据的离散傅里叶逆变换来构建影像,采集速度相比其他医学影像诊断方式更慢3。最近发展成熟的平行
8、成像技术通过减少 K 空间(傅里叶转换下的对偶空间)线数量,一定程度上缓解了成像较慢的不足。尽管设备硬件的不断升级有助于提高 MRI收稿日期:20220720;修回日期:20220830作者简介:蒲晓蓉(1969),女,教授,主要从事机器学习、信息医学等方面的研究.*通信作者:蒲晓蓉,E-mail:第52卷第4期电子科技大学学报Vol.52No.42023 年 7 月JournalofUniversityofElectronicScienceandTechnologyofChinaJul.2023成像的分辨率、信噪比和采集速度,但在采集过程中仍不可避免地会产生噪声和伪影4。成像过程中系统所处的
9、环境、涡流、成像物体内部随机的生理活动等复杂因素会产生随机的结构化时间噪声,相邻组织间的磁化率的不同、刚体运动和非刚体运动则会引入伪影5-6,扫描物体的热噪声属于影响成像的主要噪声源7。这些噪声和伪影会不同程度地影响生成图像的质量,降低计算机辅助影像诊断的精度以及临床影像诊断的准确率。现有绝大多数研究将 MRI 图像的噪声假设为加性高斯白噪声、泊松噪声或两者混合噪声,基于莱斯分布或瑞利分布进行影像重建8-10。这类假设的噪声与临床应用的实际场景存在明显差距。此外,现有医学图像的质量也缺乏规范、公认的评价机制,大多采用自然图像降噪评价指标,即峰值信噪比(peaksignaltonoiserati
10、o,PSNR)、结构相似度(structuralsimilarity,SSIM)等。事实上,临床医学影像诊断更关注病灶的位置、大小、密度、形态等关键特征,自然图像降噪的评价标准无法满足临床需求。因此,面向临床实际需求的医学图像质量优化方法和评价机制也是重要的研究课题。本文系统性分析了传统 MRI 图像降噪技术,着重梳理了基于深度学习的医学图像降噪方法。并总结了现有医学图像质量评估方法,指出现有深度学习方法严重依赖大量数据和人工标注医学图像样本,但可解释性较差,需要探索性研究面向临床实际任务的医学图像质量评估新方法。1MRI 图像降噪研究现状MRI 图像降噪一般分为前处理和后处理两种方法,其中前
11、处理方法需要在成像过程中多次获取相关数据并计算其平均结果,该方法会显著增加MRI 采集数据的时间,影响 MRI 技术的临床应用。后处理方法基于图像成像以后对 MRI 图像进行降噪。MRI 图像降噪的目标是保持组织边界的同时,在均匀的组织区域中获得分段恒定或缓慢变化信号。MRI 图像降噪的诸多研究成果提出了多种降噪技术,每种技术都有其自己的假设和优缺点。近年来,得益于神经网络方法在计算机视觉领域的深入应用,基于深度学习的降噪逐渐成为MRI 降噪的主流方法。1.1传统 MRI 图像降噪方法传统 MRI 图像降噪一般基于信号后处理进行降噪,主要包含:基于滤波、变换、统计和混合方法的 MRI 图像降噪
12、等。1.1.1基于滤波的 MRI 图像降噪1985 年,文献 11 提出用于降低 MRI 中高斯噪声的空间域滤波和时间域滤波算法。其中空间滤波方法将图像与选定的滤波器进行卷积计算,以降低图像的方差,但会使图像变得相对平滑,导致图像边缘模糊。而时域滤波需要根据采样的间隔来选择相应的滤波器,其应用场景较为局限。文献 12 提出的各向异性扩散滤波器克服了基于空间滤波器方法的不足,能有效去除同质化区域中的噪声并锐化图像边缘,与空间滤波相比能显著提升图像的质量。该滤波器为后来的研究奠定了基础,其后相继出现了很多基于各向异性扩散滤波器的改进方案,其中包括文献 13 提出的基于四阶复扩散的 MRI 图像降噪
13、方法,将标准扩散方程与自由薛定谔方程进行结合。文献 14 提出的非局部均值(non-localmeans,NLM)滤波器,是对传统邻域滤波方法的一种改进,利用了图像中存在的自相似特性,可以在对MRI 图像降噪的同时尽量保持其中的细节。现在比较流行的空域降噪算法大都基于 NLM 发展而来,近几年的 MRI 图像降噪传统方法均有使用15。1.1.2基于变换的 MRI 图像降噪基于变换域方法的目的是将原始信号转换为可以更轻松地消除噪声的模式。小波变换16将信号分解为多个尺度,涵盖图像的频谱信息和空间信息。该方法近二十年来在 MRI 降噪领域获得了广泛的关注,先后出现了大量的相关研究成果17。然而,基
14、于小波变换的降噪方法不适合处理具有高维奇异点的信号,故出现了 Curvelet 变换18。Curvelet 具有方向性和各向异性,可以表示图像边缘的方向,能同时获得对图像平滑区域和边缘部分的稀疏表达19。随后出现了基于 Contourlet 变换进行 MRI 图像降噪的方法20,使用 Contourlet 变换时,图像中的随机噪声与图像内容的系数可以获得更好的分离,通过选取合适的阈值,使用较简单的 Contourlet 变换就能达到较好的降噪效果。1.1.3基于统计方法的 MRI 图像降噪基于统计的 MRI 图像降噪方法,首先估计MRI 图像中的噪声,并获得统计上的最优降噪图像。不同的统计估计
15、方法会产生不同的降噪效果。1)极大似然估计法。文献 21 使用极大似然估计法对信号进行重建。文献 22 提出应用于多线圈 MRI 图像的非局部极大似然估计方法。第 4 期蒲晓蓉,等:MRI 图像降噪技术综述5692)线性最小均方误差估计。文献 23 利用图像局部统计量的分布信息,进行 MRI 图像降噪。3)相位误差估计。文献 24 提出一种相位误差估计方法,迭代地应用了一系列非线性滤波器,每个滤波器都用于修改估计,直到输出收敛到一个稳定的估计。4)非参数估计。文献 25 提出一种使用非参数密度估计的 MRI 图像降噪算法。使用输入数据进行噪声估计,不需要显式的参数调整。1.1.4混合方法的 M
16、RI 图像降噪1)独立成分分析法 ICA(independentcomponentanalysis)。这里的 ICA 是指基于假设信号源的统计独立性的一系列盲信号分离技术,用于 MRI 多维数据的计算26。进行图像降噪时,ICA 能容忍被测物体对外界的非预期反应,针对时间和空间高分辨率的功能性 FMRI(functionalMRI)数据,对随机信号和某些复合信号(如脉动和呼吸造成的伪影)的降噪及分离具有显著效果27。此外,ICA 降噪对图像的边缘也有一定的增强作用,且可以选择性地分离和抑制全局结构化噪声(如由受试者呼吸产生的血流调节引起),同时保留基于任务和静息状态的功能性 MRI 的全局神经
17、信息27-28,为是否进行全局信号回归难题提供潜在的解决路径。然而,该方法严重依赖投影数据,受限于降噪性能和算法复杂度,缺乏较好的普适性29。2)随机方法(stochasticmethod)。该类方法通过估计和计算抑制前噪声图像的噪声特性及其方差特性进行图像降噪,其本质是随机的,因此适用于现实随机噪声分布的处理和降噪。有多种不同的估计器(estimator),如最大似然估计 ML(maximumlikelihood)3031、期望最大化估计 EM(exceptionalmaximum)32、线性最小均方误差估计 LMMS(linearminimummeansquare)33等,分别适用于不同的
18、应用场景。然而,计算复杂、迭代过程缓慢、参数估计易于陷入局部最优等缺陷34,限制了其进一步发展和应用。图 1 描述了 MRI 图像降噪的传统方法分类。传统方法基于变换的方法基于统计方法小波转换曲波转换轮廓波转换非参数估计相位误差估计线性最小均方误差估计最大似然估计空间域滤波器时间域滤波器各向异性扩散滤波器非局部均值滤波器随机方法独立成分分析法基于滤波器混合方法图1传统 MRI 降噪方法分类1.2基于深度学习的 MRI 图像降噪方法尽管有一些传统 MRI 图像降噪方法的降噪性能较好,但仍存在诸多不足。如计算量大、复杂度高、非凸优化问题以及参数选择难度大等。这些缺点严重制约了传统 MRI 降噪方法
19、的临床实际应用。基于深度学习的 MRI 图像降噪可以避免传统MRI 降噪方法对物理过程的建模,极大降低对预设模型的依赖。基于深度学习的 MRI 图像降噪最初使用简单的卷积神经网络模型,随着深度学习技术的发展,逐渐使用更复杂多样化的网络模型,如生成式对抗网络,甚至无监督方法进行 MRI 图像降噪。1.2.1基于卷积神经网络的 MRI 图像降噪卷积神经网络(convolutionalneuralnetworks,CNN)在深度学习领域已获得越来越广泛的应用。该方法通过训练不同的网络架构与带噪声或无噪声的样本进行 MRI 图像降噪,试图从带噪声的输入中推断出干净图像。经典 CNN 降噪网络模型如图
20、2 所示。然而,绝对无噪声的图像是无法获取的。因此,模型训练的数据集主要源于模拟无噪声图像和多次采集的平均后的低噪图像35。570电子科技大学学报第52卷带噪图像噪声图像非线性映射Conv+AFConv+BN+AFConv+BN+AFConv+BN+AFConv图2经典 CNN 降噪网络模型2017 年,文献 36 利用降噪卷积神经网络(denoisingCNNs,DnCNN)消除高斯噪声,并利用残差学习策略取得了优异性能。同年,文献 37 也将 CNN 用于伪影处理。2018 年,文献 38 基于固定噪声参数训练多通道 CNN 网络,并将训练好的网络运用于一般噪声水平的图像处理,取得了较好的
21、效果。文献 35基于两种类型的训练集,结合ADAM 优化器、残差学习的优化思路将 3DCNN运用于 MRI 图像降噪,对高斯噪声的抑制性能优于当时最新的传统降噪方法。不同于常规的数据预处理,该方法运用低通滤波后的局部平均图与相同的斑块大小的局部标准差图来估计局部标准差图。通过减去局部均值并除以局部标准差,对输入和输出体积进行归一化处理,减小了传统数据预处理引起的块状伪影的影响。CNN 网络的结构可分为:1)输入层,由大小为 121212 的三维卷积和具有64 个 333 体素滤波器的 RELU 激活函数组成。2)权重层,每层由一个批量标准化 RELU 激活函数和 3D 卷积核构成。3)输出层,
22、由批量标准化和三维卷积组成,生成一个 121212的输出补丁,以均方误差(meansquarederror,MSE)为损失函数。2019 年,文献 39 将 CNN 与传统滤波器结合进行降噪,为图像处理提供了新思路。早期所用的 CNN 架构比较基础,训练好的网络只能针对一个部位图像进行处理,且降噪思路相对简单,易于造成过度平滑,且丢失一些精密细节。深度学习模型大多采用均方误差 MSE 作为损失函数,能获得较理想的降噪后图像的峰值信噪比 PSNR,但易于使降噪后图像过度平滑。2019年,文献 40 提出 3Dwideresidualnetwork(3D-WRN-VGG)感知损失卷积神经网络,摒弃
23、了此前常用的多通道策略,通过 3 张图像构建三维数据,获取更多上下文信息对一张图像进行降噪,极大降低了所需网络的层数和深度,避免因网络层数过深丢失精密细节,同时确保获取高级特征。引入提前训练好的感受损失计算网络(VGG-16)取代此前常用的损失函数,在特征空间中将降噪结果的感知特征与原图像的感知特征进行比较,可以显著提升降噪效果,避免过度平滑和细节损失问题。该网络主要由两部分组成:1)CNN 降噪网络。该网络包含5 个卷积层,前 4 个卷积层分别使用 128 个 77 的3D 卷积核和 ReLU 激活函数,并用一个三维 77的卷积核作为输出层。该网络能减弱数据间的相关性(数据白化),避免内部协
24、变量偏移,提高训练效率。2)感知损失计算器。利用一个预训练好的VGG(visualgeometrygroup)网络41作为感知损失计算器,将降噪结果和干净图像输入 VGG 网络,计算感知损失,并将重建损失反向传播给 CNN 降噪网络,更新 CNN 的权重(VGG 网络的权重不变)。实验表明,虽然 PSRN 值相较于当时先进的技术并不总是最优(10dB 和 15dB 噪声,略低于ODCT3D),但能极大地保留图像的细节和纹理特征,具备显著的降噪性能。文献 42 结合自编码器(autoencoder,AE)和残差网络,提出 CNN-DMRI(CNNfordenoisingofMRI)图像降噪网络。
25、其中,自编码器 AE 旨在将分析数据降维,学习到高级的抽象特征且摒弃冗余的非必要特征。作为一种自监督学习模式,编码器结构增强了该网络对图像精密结构特征的提取能力。CNN-DMRI在上下采样间增加了局部残差模块,并在对应的卷积层和反卷积层之间添加了残差连接,提高了学习效率。局部残差学习与全局残差学习相结合,减小了中间层的潜在特征损失。CNN-DMRI 的网络架构主要划分为 3 类:1)输入的 2 个卷积层和 1 个输出的卷积层;2)编码器解码器结构,2 个由 128 个滤波器组成的下采样模块和2 个由 64 个滤波器组成的上采样模块;3)由中间4 个残差学习模块组成的局部残差学习网络和首位卷积层
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- MRI 图像 技术 综述
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。