Boosting the signal-to-noise of low-field MRI with deep learning image reconstruction.
Boosting the signal-to-noise of low-field MRI with deep learning image reconstruction.
复制标题
利用深度学习图像重建技术提高低场磁共振成像的信噪比。
DOI：
10.1038/s41598-021-87482-7
复制
发表时间：
2021-04-15
影响因子：
4.6
通讯作者：
Rosen MS
中科院分区：
文献类型：
--
作者：
Koonjoo N;Zhu B;Bagnall GC;Bhutto D;Rosen MS
近年来，人们对廉价的低磁场（< 0.3 T）MRI系统的兴趣重新抬头，这主要是由于磁体、线圈和梯度集设计的进步。这些进展大多集中在改进硬件和信号采集策略上，而很少关注使用先进的图像重建方法来提高低场下可达到的图像质量。我们在这里描述了使用我们的端到端深度神经网络方法（AUTOMAP）来改善高度噪声污染的低场MRI数据的图像质量。我们将这种方法的性能与另外两种最先进的去噪管道进行了比较。我们发现，AUTOMAP提高了两个非常不同的低场MRI系统上采集的数据的图像重建：人脑数据采集在6.5 mT，和植物根数据采集在47 mT，表现出信噪比增益傅立叶重建的因素1.5至4.5倍，3倍，分别。在这些应用中，AUTOMAP优于两种不同的当代基于图像的去噪算法，并抑制了重建图像中的噪声样尖峰伪影。特定领域的训练语料库的重建性能的影响进行了讨论。AUTOMAP图像重建方法将使低场图像质量得到显著改善，特别是在高噪声环境中。
Recent years have seen a resurgence of interest in inexpensive low magnetic field (< 0.3 T) MRI systems mainly due to advances in magnet, coil and gradient set designs. Most of these advances have focused on improving hardware and signal acquisition strategies, and far less on the use of advanced image reconstruction methods to improve attainable image quality at low field. We describe here the use of our end-to-end deep neural network approach (AUTOMAP) to improve the image quality of highly noise-corrupted low-field MRI data. We compare the performance of this approach to two additional state-of-the-art denoising pipelines. We find that AUTOMAP improves image reconstruction of data acquired on two very different low-field MRI systems: human brain data acquired at 6.5 mT, and plant root data acquired at 47 mT, demonstrating SNR gains above Fourier reconstruction by factors of 1.5- to 4.5-fold, and 3-fold, respectively. In these applications, AUTOMAP outperformed two different contemporary image-based denoising algorithms, and suppressed noise-like spike artifacts in the reconstructed images. The impact of domain-specific training corpora on the reconstruction performance is discussed. The AUTOMAP approach to image reconstruction will enable significant image quality improvements at low-field, especially in highly noise-corrupted environments.
登录
查看更多内容
DOI：
10.1007/s10334-018-0683-y
发表时间：
2018-10
期刊：
Magma (New York, N.Y.)
影响因子：
--
作者：
Obungoloch J;Harper JR;Consevage S;Savukov IM;Neuberger T;Tadigadapa S;Schiff SJ
通讯作者：
Schiff SJ
影响因子：
5.1
作者：
Pflugfelder D;Metzner R;van Dusschoten D;Reichel R;Jahnke S;Koller R
通讯作者：
Koller R
影响因子：
3.3
作者：
Hammernik K;Klatzer T;Kobler E;Recht MP;Sodickson DK;Pock T;Knoll F
通讯作者：
Knoll F
DOI：
10.1073/pnas.1907377117
发表时间：
2020-12-01
影响因子：
11.1
作者：
Antun, Vegard;Renna, Francesco;Hansen, Anders C.
通讯作者：
Hansen, Anders C.
影响因子：
10.6
作者：
Kao, YH;MacFall, JR
通讯作者：
MacFall, JR