Шумозаглушення МРТ на основі глибокого навчання з використанням статистики шуму, отриманої з вимірювань фізичних фантомів
Анотація
Високоякісні МРТ-зображення є важливими для точного визначення об'ємів-мішеней та органів, що знаходяться в групі ризику, а також для правильної реєстрації на КТ під час планування променевої терапії. Метою цієї роботи є розробка надійного методу шумозаглушення, який покращує візуалізацію структур мозку та зберігає анатомічні деталі. Запропоновано модель, засновану на модифікованій архітектурі U-Net із залишковими блоками, модулями уваги (CBAM) та просторовим пірамідальним об'єднанням. Підхід характеризується інтеграцією статистичних шумових характеристик, отриманих з фантомних вимірювань, та моделюванням деградацій у псевдо-k-просторі (включаючи розподіли гаусового та релеївського шуму). Валідацію було проведено на 1000 анонімізованих клінічних DICOM-зображеннях зі змінними рівнями шуму. Запропонована модель забезпечила збільшення PSNR на 8–10 дБ та збільшення SSIM з 0,72 до 0,97. Індекс збереження країв (EPI), який досяг значень 8,0 на шумних зображеннях через артефакти, стабілізувався на рівні 1,0 після обробки, що свідчить про ефективне видалення псевдоконтурів без розмиття справжніх анатомічних меж. Крім того, на реальних зображеннях спостерігалося середнє покращення SNR на 7% та зниження CV на 4–7%, що підтверджує стабільність методу. Поєднання фізично обґрунтованого моделювання шуму в частотній області та сучасних архітектур глибокого навчання дозволяє ефективно видаляти шум, зберігаючи при цьому критичні анатомічні межі. Метод має високий потенціал для клінічного впровадження в процедурах планування променевої терапії, зокрема для підвищення точності об'єднання МРТ/КТ.
Завантаження
Посилання
Z. Chen, K. Pawar, M. Ekanayake, C. Pain, S. Zhong, and G.F. Egan, J. Digit. Imaging, 36, 204 (2023). https://doi.org/10.1007/s10278-022-00721-9
J.I. Tamir, M. Blumenthal, J. Wang, T. Oved, E. Shimron, and M. Zaiss, Magn. Reson. Mater. Phys. Biol. Med. 38, 367 (2025). https://doi.org/10.1007/s10334-025-01236-4
T. Ssentamu, A. Kimbowa, R. Omoding, E. Atamba, P.K. Mukwaya, G.W. Jjuuko, and S. Geethanath, Front. Neuroimaging, 4, (2025). https://doi.org/10.3389/fnimg.2025.1501801
A. Salehi, M. Mach, C. Najac, B. Lena, T. O’Reilly, Y. Dong, P. Börnert, et al., J. Magn. Reson. 370, 107812 (2025). https://doi.org/10.1016/j.jmr.2024.107812
P. Song, J. Xu, X. Liu, Z. Zhang, X. Rao, R.P. Martinho, Q. Bao, and C. Liu, J. Magn. Reson. 359, 107615 (2024). https://doi.org/10.1016/j.jmr.2023.107615
D. Koprivica, R.P. Martinho, M. Novakovic, M.J. Jaroszewicz, and L. Frydman, J. Magn. Reson. 338, 107187 (2022). https://doi.org/10.1016/j.jmr.2022.107187
Y. Zhang, W. He, F. Chen, J. Wu, Y. He, and Z. Xu, J. Magn. Reson. 344, 107319 (2022). https://doi.org/10.1016/j.jmr.2022.107319
D. Singh, A. Monga, H.L. de Moura, X. Zhang, M.V.W. Zibetti, and R.R. Regatte, Bioeng. Basel Switz. 10, 1012 (2023). https://doi.org/10.3390/bioengineering10091012
M. Jiang, S. Wang, K.-H. Chan, Y. Sun, Y. Xu, Z. Zhang, Q. Gao, et al., Comput. Med. Imaging Graph. Off. J. Comput. Med. Imaging Soc. 121, 102497 (2025). https://doi.org/10.1016/j.compmedimag.2025.102497
B. Kang, W. Lee, H. Seo, H.-Y. Heo, and H. Park, Magn. Reson. Med. 92, 1980 (2024). https://doi.org/10.1002/mrm.30197
M.A. Sultan, C. Chen, Y. Liu, K. Gil, K. Zareba, and R. Ahmad, Magn. Reson. Mater. Phys. Biol. Med. 38, 859 (2025). https://doi.org/10.1007/s10334-025-01257-z
Q. Tian, Z. Li, Q. Fan, J.R. Polimeni, B. Bilgic, D.H. Salat, and S.Y. Huang, NeuroImage, 253, 119033 (2022). https://doi.org/10.1016/j.neuroimage.2022.119033
E.D. Hussner, S. Sundby, C.B. Outzen, J. Jensen, A. Tingberg, and H. Precht, J. Med. Imaging Radiat. Sci. 56, 101814 (2025). https://doi.org/10.1016/j.jmir.2024.101814
S. Kojima, T. Ito, and T. Hayashi, J. Med. Phys. 47, 387 (2022). https://doi.org/10.4103/jmp.jmp_71_22
S.M.A. Sharif, R.A. Naqvi, and W.-K. Loh, IEEE Trans. Radiat. Plasma Med. Sci. 8, 521 (2024). https://doi.org/10.1109/TRPMS.2024.3380090
K.V. Jordanova, S.E. Russek, and K.E. Keenan, Magn. Reson. Mater. Phys. Biol. Med. 38, 727 (2025). https://doi.org/10.1007/s10334-025-01270-2
K.E. Keenan, K.V. Jordanova, S.E. Ogier, D. Tamada, N. Bruhwiler, J. Starekova, J. Riek, et al., Magn. Reson. Mater. Phys. Biol. Med. 37, 535 (2024). https://doi.org/10.1007/s10334-024-01181-8
K.E. Keenan, M. Ainslie, A.J. Barker, M.A. Boss, K.M. Cecil, C. Charles, T.L. Chenevert, et al., Magn. Reson. Med. 79, 48 (2018). https://doi.org/10.1002/mrm.26982
C.P. Cheng, and Y.O. Halchenko, F1000Research, 9, 1131 (2020). https://doi.org/10.12688/f1000research.24544.1
R.W. Brown, Y.-C.N. Cheng, E.M. Haacke, M.R. Thompson, and R. Venkatesan, Magnetic Resonance Imaging: Physical Principles and Sequence Design, (John Wiley & Sons, 2014).
W.A. Edelstein, G.H. Glover, C.J. Hardy, and R.W. Redington, Magn. Reson. Med. 3, 604 (1986). https://doi.org/10.1002/mrm.1910030413
H. Gudbjartsson and S. Patz, Magn. Reson. Med. 34, 910 (1995). https://doi.org/10.1002/mrm.1910340618
N. Just, Br. J. Cancer 111, 2205 (2014). https://doi.org/10.1038/bjc.2014.512
G. Vegas-Sánchez-Ferrero, M.J. Ledesma-Carbayo, G.R. Washko, and R.S.J. Estépar, Med. Image Anal. 40, 44 (2017). https://doi.org/10.1016/j.media.2017.06.001
H. Liu, Z. Li, S. Lin, and L. Cheng, Sensors, 23, 7044 (2023). https://doi.org/10.3390/s23167044
L.-C. Chen, G. Papandreou, F. Schroff, and H. Adam, (2017). https://doi.org/10.48550/arXiv.1706.05587
E. Perez, F. Strub, H. de Vries, V. Dumoulin, and A. Courville, in: Proc. Thirty-Second AAAI Conf. Artif. Intell. Thirtieth Innov. Appl. Artif. Intell. Conf. Eighth AAAI Symp. Educ. Adv. Artif. Intell, (AAAI Press, New Orleans, Louisiana, USA, 2018), pp. 3942 3951. https://doi.org/10.48550/arXiv.1709.07871
C. Bregler, in: 2015 IEEE Conf. Comput. Vis. Pattern Recognit. CVPR, (2015). https://doi.org/10.1109/CVPR.2015.7298664
A.L. Maas, in: Rectifier Nonlinearities Improve Neural Network Acoustic Models, (2013). https://api.semanticscholar.org/CorpusID:16489696
S. Woo, J. Park, J.-Y. Lee, and I.S. Kweon, ArXiv preprint, (2018), pp. 3–19. https://doi.org/10.48550/arXiv.1807.06521
J. Hu, L. Shen, and G. Sun, ArXiv preprint, ArXiv preprint, (2018), pp. 7132–7141. https://https://doi.org/10.48550/arXiv.1709.01507
B. Yaman, S.A.H. Hosseini, S. Moeller, J. Ellermann, K. Uğurbil, and M. Akçakaya, Magn. Reson. Med. 84, 3172 (2020). https://doi.org/10.1002/mrm.28378
L. Zhang, M. Wu, L. Wang, D.C. Steffens, G.G. Potter, and M. Liu, ArXiv preprint, (2024). https://doi.org/10.48550/arXiv.2403.08162
H. Chen, Y. Zhang, W. Zhang, P. Liao, K. Li, J. Zhou, and G. Wang, ArXiv preprint, (2016). https://doi.org/10.48550/arXiv.1609.08508
S. Gou, W. Liu, C. Jiao, H. Liu, Y. Gu, X. Zhang, J. Lee, and L. Jiao, Phys. Med. Biol. 64, 165017 (2019). https://doi.org/10.1088/1361-6560/ab325e
K. He, X. Zhang, S. Ren, and J. Sun, in: 2015 IEEE International Conference on Computer Vision (ICCV), (Santiago, Chile, 2015). https://doi.org/10.1109/ICCV.2015.123
A. Horé and D. Ziou, in: 2010 20th Int. Conf. Pattern Recognit. (2010), pp. 2366–2369. https://doi.org/10.1109/ICPR.2010.579
K. Zhang, W. Zuo, Y. Chen, D. Meng, and L. Zhang, IEEE Trans. Image Process. 26, 3142 (2017). https://doi.org/10.1109/TIP.2017.2662206
G.P. Renieblas, A.T. Nogués, A.M. González, N. Gómez-Leon, and E.G. del Castillo, J. Med. Imaging, 4, 035501 (2017). https://doi.org/10.1117/1.JMI.4.3.035501
P. Jain, and V. Tyagi, Inf. Syst. Front. 18, 159–170 (2016). https://doi.org/10.1007/s10796-014-9527-0
K. P.g., J. Joseph, and S.J., Biocybern, Biomed. Eng. 37, 159 (2017). https://doi.org/10.1016/j.bbe.2016.12.008
J. Lewis, Vision Interface, 10(1), 120-123 (1995). https://www.bibsonomy.org/bibtex/232f4a4901ce85a2b37f806ba675c8a0
F.L. Goerner and G.D. Clarke, Med. Phys. 38, 5049 (2011). https://doi.org/10.1118/1.3618730
E. Alizadeh, Data Sci. (2023). https://towardsdatascience.com/dispersion-cv-qcd-32849f828434/
Z. Jalilibal, A. Amiri, P. Castagliola, and M.B.C. Khoo, Comput. Ind. Eng. 161, 107600 (2021). https://doi.org/10.1016/j.cie.2021.107600
M. Kidoh, K. Shinoda, M. Kitajima, K. Isogawa, M. Nambu, H. Uetani, K. Morita, et al., Magn. Reson. Med. Sci. 19, 195 (2019). https://doi.org/10.2463/mrms.mp.2019-0018
N. Nazir, A. Sarwar, and B.S. Saini, Micron, 180, 103615 (2024). https://doi.org/10.1016/j.micron.2024.103615
H.M.S.S. Herath, H.M.K.K.M.B. Herath, N. Madusanka, and B.-I. Lee, J. Imaging, 11, 100 (2025). https://doi.org/10.3390/jimaging11040100
J. Joseph, S. Jayaraman, R. Periyasamy, and S.V. Renuka, Curr. Med. Imaging, 13, 58 (2017). https://doi.org/10.2174/1573405612666160609131149
K. Ohashi, Y. Nagatani, M. Yoshigoe, K. Iwai, K. Tsuchiya, A. Hino, Y. Kida, et al., J. Digit. Imaging, 36, 2623 (2023). https://doi.org/10.1007/s10278-023-00875-0
D. Sliusarenko, A. Netreba, and S. Radchenko, in: 2024 IEEE 42nd Int. Conf. Electron. Nanotechnol. ELNANO, (2024), pp. 456–460. https://doi.org/10.1109/ELNANO63394.2024.10756858
K. Usui, K. Ogawa, M. Goto, Y. Sakano, S. Kyougoku, and H. Daida, Vis. Comput. Ind. Biomed. Art 4, 21 (2021). https://doi.org/10.1186/s42492-021-00087-9
A. Ferdi, S. Benierbah, and A. Nakib, Multimed. Tools Appl. 84, 21625 (2025). https://doi.org/10.1007/s11042-024-20175-1
Z. Wang, J. Chen, and S.C.H. Hoi, ArXiv preprint, (2020). https://doi.org/10.48550/arXiv.1902.06068
M.J. Muckley, B. Riemenschneider, A. Radmanesh, S. Kim, G. Jeong, J. Ko, Y. Jun, et al., IEEE Trans. Med. Imaging, 40, 2306 (2021). https://doi.org/10.1109/TMI.2021.3075856
A. Buades, B. Coll, and J.-M. Morel, in: 2005 IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit. CVPR05, (2005), pp. 60–65 vol. 2. https://doi.org/10.1109/CVPR.2005.38
K. Dabov, A. Foi, V. Katkovnik, and K. Egiazarian, IEEE Trans. Image Process. 16, 2080 (2007). https://doi.org/10.1109/TIP.2007.901238
K. Zhang, W. Zuo, and L. Zhang, IEEE Trans. Image Process. 27, 4608 (2018). https://doi.org/10.1109/TIP.2018.2839891
Y. Zhang, K. Li, K. Li, L. Wang, B. Zhong, and Y. Fu, in: Comput. Vis. – ECCV 2018 15th Eur. Conf. Proc. Part VII (Springer-Verlag, Berlin, Heidelberg, 2018), pp. 294–310. https://doi.org/10.1007/978-3-030-01234-2_18
J. Liang, J. Cao, G. Sun, K. Zhang, L.V. Gool, and R. Timofte, ArXiv preprint, (2021). https://doi.org/10.48550/arXiv.2108.10257
S.W. Zamir, A. Arora, S. Khan, M. Hayat, F.S. Khan, and M.-H. Yang, ArXiv preprint, (2022). https://doi.org/10.48550/arXiv.2111.09881
E. Jeong, J. Jang, J. Kim, and H. Kim, J. Magn. Reson. 368, 107762 (2024). https://doi.org/10.1016/j.jmr.2024.107762
C. Millard and M. Chiew, Bioengineering, 11, 1305 (2024). https://doi.org/10.3390/bioengineering11121305
Авторське право (c) 2026 Д.Г. Слюсаренко, А.В. Нетреба
Цю роботу ліцензовано за Міжнародня ліцензія Creative Commons Attribution 4.0.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
