基于自监督深度学习的扩散张量MRI降噪方法

背景介绍

弥散张量磁共振成像（Diffusion Tensor Magnetic Resonance Imaging，DTI）是一种广泛应用于体内脑组织微结构和白质束成像的神经影像技术。然而，弥散加权图像（Diffusion-Weighted Images, DWI）中的噪声会降低DTI数据所派生出的微结构参数的精度，同时也导致需要更长的采集时间来提高信噪比(Signal-to-Noise Ratio, SNR)。尽管基于卷积神经网络（Convolutional Neural Networks, CNNs）的深度学习方法在图像去噪方面表现突出，但通常需要额外的高信噪比数据来监督CNN的训练，这限制了监督学习方法在去噪中的实际应用。

论文来源

本文标题为“SDnDTI: Self-Supervised Deep Learning-Based Denoising for Diffusion Tensor MRI”，主要作者包括Qiyuan Tian、Ziyu Li、Qiuyun Fan、Jonathan R. Polimeni、Berkin Bilgic、David H. Salat 和 Susie Y. Huang，他们分别来自麻省总医院的Athinoula A. Martinos 生物医学影像中心、哈佛医学院放射学系、清华大学生物医学工程系、以及哈佛-MIT健康科学与技术学会等机构。论文已在《Neuroimage》期刊上发表。

研究方法

工作流程

本文提出了一种名为SDnDTI的自监督深度学习方法，该方法无需额外的高信噪比数据便可对DTI数据进行去噪。具体流程如下： 1. 数据分组：将多方向的DTI数据划分成多个子集，每个子集包含六个DWI体积数据。 2. 信号转换：通过弥散张量模型将每个子集中的DWI体积数据转换到相同的弥散编码方向，生成具有相同图像对比度但不同噪声观察值的多次重复的DWI体积数据。 3. 去噪：首先用深度三维卷积神经网络对每个重复的DWI体积数据进行去噪。CNN的训练目标是所有重复DWI的平均值，它具有较高的信噪比。然后，将CNN去噪后的图像平均以获得更高的信噪比。 4. 验证与分析：SDnDTI的去噪效果通过输出图像及其生成的DTI指标与使用大量DWI体积数据生成的真实值进行比较。

数据来源

本文使用了两组不同空间分辨率、b值和DWI体积数量的数据，分别来自Human Connectome Project（HCP）和Lifespan HCP in Aging项目。

研究结果

每个步骤的主要结果

在实验中，SDnDTI对原始数据和合成后的去噪数据都显示出了显著的信噪比改进。经过SDnDTI去噪后的DWI不仅在视觉上更清晰，同时在多个定量指标上也显示出了优越的性能。

• 信噪比提高：与生数据相比，去噪后的DWI图像的MAE大约为原始数据的三分之一，PSNR提高了约7 dB，SSIM提高了约0.1。
• 保留图像细节：SDnDTI去噪后的图像保留了更多的纹理细节，尤其是在内部囊区域，相比于BM4D和AONLM方法，显示了更好的性能。

研究的结论与价值

SDnDTI方法在无需额外高信噪比数据的条件下实现了高效的去噪，这提高了深度学习和CNN去噪方法在实际科研和临床应用中的可行性。这一方法不仅提升了DTI数据的质量，同时也加快了DTI数据的获取，对于脑组织微结构、纤维束及结构连接的映射具有重要意义。

此外，SDnDTI方法展示了其在不同数据集上的泛化能力，并通过微调进一步改善了去噪性能及缩短了训练时间。这为临床和神经科学研究中涉及快速DTI获取和高质量数据需求的应用提供了广阔的前景。

研究亮点

• 无需高信噪比数据：与传统的深度学习去噪方法不同，SDnDTI无需额外的高信噪比数据进行训练。
• 保留图像细节：该方法有效保留了脑组织的细节纹理信息，与其他传统去噪方法相比，表现出更好的性能。
• 广泛应用前景：SDnDTI因其卓越的泛化能力和训练效率，适用于更多的研究及临床应用场景。

其他有价值的信息

SDnDTI的代码将在GitHub平台上公开（https://github.com/qiyuantian/sdndti），这将有助于研究人员和临床医生在自己的研究中应用这一方法。此外，论文还提供了一些用于对比实验的公开数据集和开源软件工具，进一步推动了这一领域的研究进展。

SDnDTI方法是一种强大的自监督去噪工具，其在提升DTI数据质量和加快DTI数据采集方面具有重要意义。这一方法不仅在技术实现上具有创新性，同时在实际应用中也展示了其广泛的潜力和价值。