定量磁化率成像中磁化率重建伪影的清除:基于多通道输入的卷积神经网络方法

摘要：

目的 基于深度学习方法消除定量磁化率成像(QSM)过程中出现的各类磁化率相关伪影.方法 为消除磁化率差异较大的分界面上出现的伪影,本文提出了一种基于多通道输入的卷积神经网络方法(MAR-CNN),用于单方向偶极子反卷积QSM重建.该方法根据磁化率的阈值与静脉掩膜将原始组织场分成两个分量,与原始组织场拼接作为MAR-CNN的三通道输入.实验将MAR-CNN与三种基于模型的方法,阈值截断k空间除法(TKD),形态学的偶极子反卷积方法(MEDI)和改进的稀疏线性方程最小二乘法(iLSQR)和一种深度学习方法(QSMnet)进行比较,并使用高频误差范数、峰值信噪比、归一化均方根误差和结构相似性指数进行定量评估.结果 在健康志愿者中,与TKD、MEDI、iLSQR和QSMnet相比,MAR-CNN重建图像的峰值信噪比最高(43.12±1.19)、归一化均方根误差最小(51.98±3.65).与QSMnet相比,MAR-CNN在所有四个量化指标上都是更优的,且具有显著性差异(P<0.05).对于仿真的出血患者,MAR-CNN在高磁化率的出血病灶周围产生的阴影伪影更少.结论 本文提出的多通道输入卷积神经网络QSM重建方法可提高定量磁化率重建的准确度并有效消除QSM伪影.

关键词：定量磁化率成像、深度学习、卷积神经网络、图像重建

所属期刊栏目：42

分类号：TP391.41;TN911.73;TG156.3

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金

在线出版日期：2023-02-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1799-1806