基于3D U-Net和DTI模型约束的扩散张量场估计方法

目的为从少量的低信噪比扩散加权(DW)图像中估计得到准确的扩散张量成像(DTI)量化参数,本文提出一种基于3D U-Net和DTI模型约束的扩散张量场估计网络(3D DTI-Unet)。方法3D DTI-Unet的输入为有噪声的扩散磁共振成像(dMRI)数据(包含1幅非扩散加权图像与6幅不同扩散编码方向的DW图像),通过3D U-Net网络预测得到降噪后的非扩散加权图像以及准确的扩散张量场,并通过DTI模型重建得到dMRI数据,将其与dMRI数据的真实值进行比较来优化网络,从而保证dMRI数据与扩散张量场的物理模型一致性。为验证所提方法的有效性,与Marchenko-Pastur主成分分析(MP-PCA)和基于全局指导下的局部高阶奇异值分解(GL-HOSVD)这两种扩散加权图像去噪算法进行实验对比。结果从DW图像、扩散张量场以及DTI量化参数的定量分析结果以及视觉效果来看,所提方法均优于MP-PCA与GL-HOSVD。结论本文所提方法能够从1幅非扩散加权图像和6幅DW图像得到准确的DTI量化参数,可减少临床采集时间,提高临床量化诊断的可靠性。

基于自监督网络的肝脏磁共振R_(2)^(*)参数图像重建

磁共振等效横向弛豫率(R_(2)^(*))参数量化技术已经被广泛应用于肝脏铁含量的定量测量中.然而铁沉积肝脏R_(2)^(*)参数图像的重建通常会受到噪声的严重影响.随着深度学习的兴起,深度学习网络成为磁共振参数图像重建的重要方法.本文提出了一种模型引导的自监督深度学习网络用于铁沉积肝脏的磁共振R_(2)^(*)参数图像重建.通过利用一种融合噪声校正物理模型和改进的全变分模型的损失函数来引导深度学习网络的自监督训练.网络的训练不需要使用真实的R_(2)^(*)参数图像.同时,相较于传统的参数估计算法,本文提出的方法能够快速准确地重建出铁沉积肝脏R_(2)^(*)参数图像,较好地抑制图像中噪声的影响,校正噪声引起的偏差,同时保持R_(2)^(*)参数图像中的结构细节.