NLMap-ATVR:一种结合非线性映射网络和自适应总变分正则化的新型MRI去噪方法

《Magnetic Resonance Imaging》:NLMap-ATVR: A novel combination of nonlinear mapping network and adaptive total variation regularization for MRI denoising

【字体: 大 中 小 】 时间:2025年12月31日 来源:Magnetic Resonance Imaging 2

编辑推荐:

  本文提出结合非线性映射网络(NLMap)与注意力机制引导自适应总变差正则化(ATVR)的MRI图像去噪模型,通过联合均方误差、感知损失和ATVR损失优化多级误差,并利用贝叶斯优化自动调参,有效平衡去噪与细节保留,在PSNR和SSIM指标上显著优于传统及深度学习方法,且适用于小样本数据。

  
余翁|赵俊峰|克里斯塔基斯·达米亚努|罗坤|崔光芒
中国浙江省杭州市杭州电子科技大学光电智能成像与航空航天传感重点实验室,邮编310018

摘要

磁共振成像(MRI)是一种先进的成像技术,用于辅助医学诊断。然而,高斯噪声和莱斯噪声等常见噪声会模糊图像细节和结构,影响对比度并降低信噪比(SNR),因此MRI去噪技术成为获得无噪声MRI图像的关键步骤。传统方法在有效平衡去噪与保留图像细节和结构信息方面仍存在局限性。为了解决这一问题,本文提出了一种结合非线性映射网络(NLMap)和注意力机制引导的自适应总变分正则化(ATVR)的MRI图像去噪模型。该模型包括NLMap-ATVR网络、定制的联合损失函数和贝叶斯优化框架。首先,网络采用编码器-解码器架构,并结合ATVR来实现去噪;其次,联合损失函数包含均方误差(MSE)损失、感知损失和ATVR损失,以考虑像素级和特征级的空间结构误差,从而保留细节和结构;最后,应用贝叶斯优化框架自动调整超参数以获得最优参数。与现有方法相比,基于实验结果的主观和客观评估表明,所提出的方法不仅能有效去除噪声,还能显著保留细节和结构信息,从而大幅提高SNR。

引言

磁共振成像(MRI)是一种非侵入性成像技术,通过在强磁场中激发氢核并利用射频脉冲和梯度场对信号进行空间编码来生成组织对比度。MRI图像对比度主要取决于纵向松弛时间(T1)、横向松弛时间(T2)和质子密度(PD),同时也受到重复时间(TR)和回波时间(TE)的影响。为了满足不同的临床诊断需求,常用的MRI成像模式有T1加权(T1w)、T2加权(T2w)和PD加权(PDw)成像。在这些模式下,MRI容易受到噪声的影响,这些噪声主要是由物体在信号采集和传输过程中在接收线圈中产生的热电势引起的[1]。高斯噪声和莱斯噪声等噪声会降低图像质量,特别是模糊图像细节和结构,影响对比度并降低SNR,从而对医学诊断的准确性产生负面影响。因此,能够在保留细节和关键结构信息的同时有效且自适应地去除MRI图像中的噪声成为疾病诊断的关键步骤[2]。
已经实现了许多去噪算法,包括基于数学模型的方法和基于深度学习的方法。基于数学模型的方法具有广泛的实用性。高斯滤波器[3]是最流行的去噪方法之一,但由于对远离中心的像素赋予较低的权重,常常会导致图像边缘模糊[4]。与高斯滤波器相比,双边滤波器同时考虑了空间距离和灰度强度差异,从而在去噪过程中有效保留边缘信息;然而,在复杂噪声场景中这种方法可能不够理想,某些情况下可能导致过度平滑[5]。非局部均值(NLM)算法在处理纹理和自然图像时效果显著[6],但计算复杂,且在某些情况下可能无法完全去除噪声并产生边缘锐化伪影。正则化方法如非线性总变分(TV)[7]和快速投影算法[8]可以有效去除噪声并保留边缘,但这种方法对噪声模型的依赖性较强,可能导致过度平滑。此外,矩阵分解方法如鲁棒主成分分析(RPCA)通过最小化矩阵的核范数和L1范数将图像矩阵分解为低秩矩阵和稀疏矩阵[9],这种方法可以在保留结构信息的同时分离噪声和信号;然而,它计算复杂,处理大规模数据时可能丢失细节或导致模糊。考虑到MRI图像重建问题可以将其重新表述为高阶低秩张量和稀疏张量恢复任务。改进的鲁棒张量主成分分析(iRTPCA)方法引入了一种新的张量核范数(TNN)来提升去噪性能[10]。尽管iRTPCA在去噪方面效果显著,但其计算复杂度较高,可能导致边缘和细节过度平滑。另外,还提出了一种基于全局自相似性的新型MRI去噪方法(PNLM-PCA),该方法使用粒子群优化算法确定PCA组分的最佳参数,通过遍历体素信号强度而非空间位置来进行调整,从而减少冗余计算并扩大搜索范围;然而,该方法在边缘保留方面仍存在问题[11]。随着图像结构和细节的复杂性增加,基于数学模型的去噪方法的局限性日益明显,这促使研究人员探索更有效的深度学习去噪方法。去噪卷积神经网络(DnCNN)模型利用残差学习策略预测噪声图像与潜在清晰图像之间的差异[12],但该方法对非高斯噪声的适应性有限,可能导致纹理信息丢失。基于此,提出了密集注意力DnCNN模型,通过将注意力机制融入DnCNN模型有效提升了去噪性能;然而,该方法在参数调整方面存在挑战,并增加了模型复杂性[13]。基于残差编码器-解码器Wasserstein生成对抗网络(RED-WGAN)的三维MRI去噪方法通过结合感知相似性损失和MSE及对抗损失提升了去噪性能,但可能产生伪影且计算复杂度较高[14]。基于深度残差密集网络(RDUNet)的图像去噪方法利用密集连接的卷积层重用特征图,并结合局部和全局残差学习来缓解梯度消失问题并加速训练过程[15],尽管RDUNet在去噪能力方面表现强劲,但在去噪过程中可能丢失图像纹理和边缘。基于生成扩散模型DDM2的自监督去噪方法采用三阶段框架,结合统计噪声建模和条件扩散采样,无需依赖干净标签即可显著提升扩散MRI图像的去噪性能;然而,该方法推理速度较慢,在极端条件下可能产生伪结构[16]。
尽管基于数学模型的方法取得了显著成果,但仍存在过度平滑、边缘和纹理丢失、计算复杂度高以及对噪声模型依赖性强等局限性。深度学习去噪方法利用神经网络的强大建模能力提升性能,但需要足够的样本数据,并且在处理非高斯噪声、复杂纹理和细节保留方面面临挑战。因此,需要进一步发展以在保留更多图像细节和结构信息的同时实现有效去噪。MRI图像在成像过程中容易受到噪声干扰,不同类型的噪声会影响图像清晰度、边缘结构和细节信息[17]。因此,全面了解噪声结构和特性对于实现最佳去噪结果至关重要。
高斯噪声主要来源于成像系统电子元件(如射频线圈和前置放大器)中电子的热运动[18],它会导致像素值随机波动,使图像出现颗粒感。当噪声水平较高时,细节会被噪声模糊,导致SNR降低。高斯噪声对图像的低强度区域影响显著,可能掩盖细微的组织对比度,影响临床诊断。
莱斯噪声通常出现在信号区域,其分布不对称,尤其是在SNR较低的区域更为明显,其概率分布遵循莱斯分布,在SNR较低时趋于瑞利分布。在这种情况下,当噪声具有显著偏差时,会导致信号丢失和对比度降低[19]。
除了上述噪声类型外,MRI还受到生理过程、涡流、随机变化、相邻组织之间的磁化效应、刚体运动、非刚体运动等来源的噪声影响[20]。与其他类型的噪声不同,高斯噪声和莱斯噪声会均匀影响整个图像,严重妨碍视觉解释并降低医学诊断的精度[21]。因此,我们重点分析高斯噪声和莱斯噪声的影响,以提出更有效的去噪方法。
在本研究中,我们考虑了高斯噪声和莱斯噪声的特性,并提出了一种结合非线性映射网络(NLMap)和注意力机制引导的自适应总变分正则化(ATVR)的创新模型。该框架主要针对T1w MRI去噪设计,同时评估了其在T2w和PDw图像上的泛化性能。主要贡献如下:
  • (1)
    NLMap和ATVR的结合:NLMap捕捉复杂的非线性结构,ATVR调整区域内的平滑强度以保留边缘细节。这是通过将这两种方法整合到网络训练过程中实现的,同时优化过程以克服传统TV方法固有的过度平滑问题,实现了去噪与细节保留之间的有效平衡,适用于MRI去噪。
  • (2)
    联合损失函数设计:本文结合了MSE损失、感知损失和ATVR损失,以优化像素级、特征级和空间结构级的图像质量。通过贝叶斯优化调整感知损失和ATVR损失的权重,模型在多级误差之间取得平衡,并保持像素级一致性。与传统方法相比,我们的方法在保留更多局部细节方面表现出显著改进。
  • (3)
    参数优化:采用贝叶斯优化框架,利用高斯过程高效搜索超参数空间,自动选择隐藏单元、学习率、训练迭代次数和损失权重的最佳组合。与传统手动调整或网格搜索方法相比,该方法在去噪性能和图像细节保留之间实现了最佳平衡,同时提升了模型性能和调整效率。
  • (4)
    适应小样本数据:与其他基于深度学习的方法不同,NLMap-ATVR甚至可以在小样本数据上应用。由于实际应用中数据有限,我们的方法具有很高的实用性。
本文的结构如下:第2节描述了提出的方法,第3节描述了仿真和实验验证,第4节讨论了研究结果,第5节总结了结论。

方法概述

提出的方法

我们的方法结合了非线性映射网络(NLMap)和注意力机制引导的自适应总变分正则化(ATVR)模型。在该框架中,网络以噪声MRI图像作为输入,输出去噪后的MRI图像。

设置与描述

为了评估所提出去噪方法的有效性,我们将其与传统去噪方法和深度学习模型进行了比较。传统方法包括高斯滤波器[3]、NLM[6]和TV[8],深度学习模型包括DnCNN[12]、RDU-net[15]和DDM2[16]。
实验在配备Intel(R) Xeon(R) Platinum 8336C CPU和双RTX 2080 Ti GPU(22GB)的云服务器上进行。

目标评估指标

本研究使用四个定量指标进行全面评估

小样本条件下的性能

在本节中,我们使用Brainweb数据集(包含多种成像模式T1w、T2w和PDw)和自建的HDU-T1w数据集,评估不同方法在小样本条件下的性能。对于Brainweb数据集,使用PSNR和SSIM作为定量评估指标;对于HDU-T1w数据集,使用IE作为评估指标。

结论

本研究解决了在保留细节和结构信息的同时实现有效去噪的挑战。所提出的NLMap-ATVR方法在去噪性能上优于传统方法和其他深度学习方法,在所有测试场景中均获得了最高的PSNR和SSIM,证明了其在去除噪声的同时保留细节的有效性。此外,该方法在不同噪声水平和类型下表现出良好的适应性。

CRediT作者贡献声明

余翁:撰写——原始草稿、可视化、验证、软件实现、方法论构建、概念化。赵俊峰:撰写——审稿与编辑、监督、项目管理、资金筹集。克里斯塔基斯·达米亚努:撰写——审稿与编辑、监督。罗坤:验证、监督。崔光芒:撰写——审稿与编辑、监督、资金筹集。

利益冲突声明

无。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号