南方医科大学学报 ›› 2022, Vol. 42 ›› Issue (12): 1799-1806.doi: 10.12122/j.issn.1673-4254.2022.12.07
斯文彬,冯衍秋
SI Wenbin, FENG Yanqiu
摘要: 目的 基于深度学习方法消除定量磁化率成像(QSM)过程中出现的各类磁化率相关伪影。方法 为消除磁化率差异较大的分界面上出现的伪影,本文提出了一种基于多通道输入的卷积神经网络方法(MAR-CNN),用于单方向偶极子反卷积QSM重建。该方法根据磁化率的阈值与静脉掩膜将原始组织场分成两个分量,与原始组织场拼接作为MAR-CNN的三通道输入。实验将MAR-CNN与三种基于模型的方法,阈值截断k空间除法(TKD),形态学的偶极子反卷积方法(MEDI)和改进的稀疏线性方程最小二乘法(iLSQR)和一种深度学习方法(QSMnet)进行比较,并使用高频误差范数、峰值信噪比、归一化均方根误差和结构相似性指数进行定量评估。结果 在健康志愿者中,与TKD、MEDI、iLSQR和QSMnet相比,MAR-CNN重建图像的峰值信噪比最高(43.12±1.19)、归一化均方根误差最小(51.98±3.65)。与QSMnet相比,MAR-CNN在所有四个量化指标上都是更优的,且具有显著性差异(P<0.05)。对于仿真的出血患者,MAR-CNN在高磁化率的出血病灶周围产生的阴影伪影更少。结论 本文提出的多通道输入卷积神经网络QSM重建方法可提高定量磁化率重建的准确度并有效消除QSM伪影。