扩散加权图像(DWIS)中的噪声降低了扩散张量磁共振成像(DTI)导出的微结构参数的准确性和精度,并导致延长的采集时间来实现改进的信噪比(SNR)。基于深度学习的图像去噪使用卷积神经网络(CNNS)具有卓越的性能,但通常需要额外的高SNR数据来监督CNN的培训,这降低了实际可行性。我们开发了一个自我监督的深度学习的方法,标题为“SDNDTI”,用于去噪DTI数据,这不需要额外的高SNR数据进行培训。具体地,SDNDTI将多向DTI数据划分为许多子集,每个子集中沿着沿着最佳选择的扩散编码方向组成的六个DWI卷,该编码方向是对张力配件的稳健,然后沿着拟合的扩散张量沿所有获取的方向合成DWI体积使用数据的每个子集作为CNN的输入数据。另一方面,SDNDTI沿着使用所有获取的数据作为训练目标的扩散张量,沿着获取的扩散编码方向合成DWI卷。 SDNDTI使用深3维CNN从合成的DWI卷中的每个子集中消除噪声,以匹配清洁器目标DWI卷的质量,通过平均所有去噪数据的所有子集实现更高的SNR。 SDNDTI的去噪功效在于人类连接项目(HCP)提供的两种数据集和衰老中的寿命HCP。 SDNDTI结果保留了图像清晰度和纹理细节,并大大改善了原始数据的影响。 SDNDTI的结果与来自最先进的传统去噪算法包括BM4D,AONLM和MPPCA的常规去噪算法的结果相当。
translated by 谷歌翻译