南方医科大学学报 ›› 2023, Vol. 43 ›› Issue (7): 1224-1232.doi: 10.12122/j.issn.1673-4254.2023.07.19
麦兆华,李嘉龙,冯衍秋,张鑫媛
MAI Zhaohua, LI Jialong, FENG Yanqiu, ZHANG Xinyuan
摘要: 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。