使用 NVIDIA Clara AGX 深度学习减少 MRI 扫描次数

[nvdev]

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

我们将很快在 NGC 上发布 dldebiggs 参考 Docker 容器。要查找所有可用的容器，请参阅 Clara AGX 系列。

 

阅读原文

[CSDN-Ada助手]

您可以前往 CSDN问答-人工智能 发布问题, 以便更快地解决您的疑问