基于深度学习的扩散磁共振成像降噪方法研究进展

马素超, 王远军

Research Progress on Diffusion Magnetic Resonance Imaging Noise Reduction Methods Based on Deep Learning

MA Suchao, WANG Yuanjun

表1 dMRI中噪声机制和伪影的分类

Table 1 Classification of noise mechanisms and artifacts in dMRI

类型 分类 来源 典型特征 降噪是否关注 随机噪声 热噪声 由接收链路与硬件产生的随机电子噪声 在k空间中近似独立同分布的复高斯噪声 √ 采集放大的噪声 数据采集策略放大已有噪声的方差与相关性 噪声方差增加，空间相关性增强，非平稳性显著 √ 重建后的统计噪声 由复值高斯噪声经过模值运算和多通道合成后形成的统计分布 非高斯，非对称，存在偏置 √ 空间相关与非平稳噪声 由于线圈灵敏度、并行成像与重建过程导致的不再满足空间独立同分布的噪声 具有空间相关性，噪声强度随位置变化 √ 扩散特有噪声效应 扩散编码导致的信号衰减与噪声统计之间的耦合效应 高b值下SNR急剧下降；噪声偏置主导信号 √ 结构性伪影 采集相关伪影 由设备不完美、模型失配以及其他偶然性因素导致的系统性误差 具有系统性、非随机性;通常表现为空间几何畸变或相位错误 × 重建与后处理伪影 由算法假设或数值处理引入的确定性误差 与重建/后处理参数强相关，具有明显的结构模式 ×