Статистично обумовлене шумозаглушення МРТ за допомогою архітектури Residual Attention U-Net з film-модуляцією
Анотація
Якість зображень МРТ часто обмежується просторово неоднорідним шумом, що негативно впливає на точність клінічної інтерпретації та автоматичного аналізу. Традиційні методи глибокого навчання часто враховують шум неявно, що призводить до надмірного згладжування та втрати дрібних анатомічних структур. У цій статті ми пропонуємо архітектуру покращеного шумозаглушення U-Net, яка використовує механізм лінійної модуляції за ознаками (FiLM) для динамічної адаптації до профілю шуму кожного зрізу. Модель поєднує вектор з 8 статистичних дескрипторів (включаючи характеристики інтенсивності, текстури та частоти), що дозволяє динамічно керувати внутрішніми представленнями мережі залежно від конкретних умов сканування. Для підвищення фізичної коректності навчання проводилося на даних із синтетично згенерованим шумом у k-просторі. Архітектура вдосконалена за допомогою блоків залишків, механізмів уваги та багатомасштабного модуля обробки. На синтетичних даних середнє покращення пікового співвідношення сигнал/шум (PSNR) становило ≈ 20,7 дБ, а середнє покращення індексу структурної подібності (SSIM) – приблизно 0,73, що свідчить про глибоке відновлення структурної інформації. На клінічних зображеннях спостерігалося збільшення співвідношення сигнал/шум (SNR) та стабілізація коефіцієнта варіації (CV), що підтверджує фізичну коректність методу. Клінічна валідація на складних контурних структурах (гіпокамп, стовбур мозку, зоровий хіазм) показала збільшення коефіцієнта Дайса (DSC) на 0,07–0,12 та зменшення похибки HD95 на 30–50%. Запропонований метод дозволяє перейти від універсальних стратегій шумозаглушення до адаптивної реконструкції, забезпечуючи високу точність збереження анатомічних меж. Це робить його перспективним інструментом для обробки МРТ у задачах нейровізуалізації та планування варіативної терапії.
Завантаження
Посилання
F. Lugauer, and J. Wetzl, “Magnetic Resonance Imaging,” in: Medical Imaging Systems: An Introductory Guide, edited by A. Maier, S. Steidl, V. Christlein, and J. Hornegger, (Springer, Cham (CH), 2018). https://doi.org/10.1007/978-3-319-96520-8_6
C.M. Sonderer, and N. Chen, “Improving the Accuracy, Quality, and Signal-To-Noise Ratio of MRI Parametric Mapping Using Rician Bias Correction and Parametric-Contrast-Matched Principal Component Analysis (PCM-PCA),” Yale J Biol Med 91(3), 207–214 (2018). PMCID: PMC6153621
W.A. Edelstein, G.H. Glover, C.J. Hardy, and R.W. Redington, “The intrinsic signal-to-noise ratio in NMR imaging,” Magn Reson Med 3(4), 604–618 (1986). https://doi.org/10.1002/mrm.1910030413
H. Gudbjartsson, and S. Patz, “The Rician distribution of noisy MRI data,” Magn. Reson. Med. 34(6), 910–914 (1995). https://doi.org/10.1002/mrm.1910340618
V. Prabhakaran, V.A. Nair, B.P. Austin, C. La, T.A. Gallagher, Y. Wu, D.G. McLaren, G. Xu, P. Turski, and H. Rowley, “Current Status and Future Perspectives of Magnetic Resonance High-Field Imaging: A Summary,” Neuroimaging Clin. N. Am. 22(2), 373–xii (2012). https://doi.org/10.1016/j.nic.2012.02.012
K. Dabov, A. Foi, V. Katkovnik, and K. Egiazarian, “Image Denoising by Sparse 3-D Transform-Domain Collaborative Filtering,” IEEE Transactions on Image Processing, 16(8), 2080–2095 (2007). https://doi.org/10.1109/TIP.2007.901238
M. Elad, B. Kawar, and G. Vaksman, “Image Denoising: The Deep Learning Revolution and Beyond—A Survey Paper,” SIAM Journal on Imaging Sciences,” 16(13), 1594-1654 (2023). https://doi.org/10.1137/23M1545859
S.W. Zamir, A. Arora, S. Khan, M. Hayat, F.S. Khan, M.-H. Yang, and L. Shao, “Learning Enriched Features for Real Image Restoration and Enhancement,” in: Computer Vision – ECCV 2020: 16th European Conference, Glasgow, UK, August 23–28, 2020, Proceedings, Part XXV, (Springer-Verlag, Berlin, Heidelberg, 2020), pp. 492–511. https://doi.org/10.1007/978-3-030-58595-2_30
J. Lehtinen, J. Munkberg, J. Hasselgren, S. Laine, T. Karras, M. Aittala, and T. Aila, “Noise2Noise: Learning image restoration without clean data,” in: 35th International Conference on Machine Learning, ICML 2018, (International Machine Learning Society, 2018), pp. 4620–4631. https://doi.org/10.48550/arXiv.1803.04189
E. Perez, F. Strub, H. de Vries, V. Dumoulin, and A. Courville, “FiLM: visual reasoning with a general conditioning layer,” in: Proceedings of the Thirty-Second AAAI Conference on Artificial Intelligence and Thirtieth Innovative Applications of Artificial Intelligence Conference and Eighth AAAI Symposium on Educational Advances in Artificial Intelligence, (AAAI Press, New Orleans, Louisiana, USA, 2018), pp. 3942–3951. https://doi.org/10.48550/arXiv.1709.07871
O. Oktay, J. Schlemper, L.L. Folgoc, M. Lee, M. Heinrich, K. Misawa, K. Mori, S. McDonagh, N.Y. Hammerla, B. Kainz, B. Glocker, and D. Rueckert, “Attention U-Net: Learning Where to Look for the Pancreas,” (2022). https://doi.org/10.48550/arXiv.1804.03999
X. Chen, X. Wang, K. Zhang, K.-M. Fung, T.C. Thai, K. Moore, R.S. Mannel, H. Liu, B. Zheng, and Y. Qiu, “Recent advances and clinical applications of deep learning in medical image analysis,” Medical Image Analysis 79, 102444 (2022). https://doi.org/10.1016/j.media.2022.102444
R. Ayde, M. Vornehm, Y. Zhao, F. Knoll, E.X. Wu, and M. Sarracanie, “MRI at low field: A review of software solutions for improving SNR,” NMR Biomed, 38(1), e5268 (2025). https://doi.org/10.1002/nbm.5268
M. Safari, S. Wang, Z. Eidex, R. Qiu, C.-W. Chang, D.S. Yu, and X. Yang, “A Physics-Informed Deep Learning Model for MRI Brain Motion Correction,” ArXiv, arXiv:2502.09296v1 (2025). https://doi.org/10.1002/mp.70197
L. Han, S. Xiao, M. Li, J. Liu, and X. Zhou, “Noise-Controllable Complex-Valued Diffusion Model for k-Space Data of Hyperpolarized $$^{129}$$Xe Lung MRI Generation,” in: Medical Image Computing and Computer Assisted Intervention – MICCAI 2025, edited by J.C. Gee, D.C. Alexander, J. Hong, J.E. Iglesias, C.H. Sudre, A. Venkataraman, P. Golland, J.H. Kim, and J. Park, (Springer Nature Switzerland, Cham, 2026), pp. 360–369. https://doi.org/10.1007/978-3-032-05127-1_35
C. Ciulla, “Two-dimensional image noise removal and reconstruction using discrete Fourier transform, k-space filtering and Z-space filtering,” Progress in Engineering Science, 2(1), 100056 (2025). https://doi.org/10.1016/j.pes.2025.100056
T. Song, F. Nie, Y. Guo, F. Xu, and S. Zhang, “FilterDiff: Noise-Free Frequency-Domain Diffusion Models for Accelerated MRI Reconstruction,” in: Medical Image Computing and Computer Assisted Intervention – MICCAI 2025, edited by J.C. Gee, D.C. Alexander, J. Hong, J.E. Iglesias, C.H. Sudre, A. Venkataraman, P. Golland, J.H. Kim, and J. Park, (Springer Nature Switzerland, Cham, 2026), pp. 205–215. https://doi.org/10.1007/978-3-032-05325-1_20
W. Zhang, Y. Guo, and Q. Jin, “Radiomics and Its Feature Selection: A Review,” Symmetry, 15(10), 1834 (2023). https://doi.org/10.3390/sym15101834
M. Shakeri, A. Mostaar, A.Z. Sadeghi, S.M. Hosseini, A.Y. Joybari, and H. Ghadiri, “A Comprehensive Evaluation of Radiomic Features in Normal Brain Magnetic Resonance Imaging: Investigating Robustness and Region Variations,” J. Med. Phys. 49(4), 608–622 (2024). https://doi.org/10.4103/jmp.jmp_149_24
M. Dohmen, M.A. Klemens, I.M. Baltruschat, T. Truong, and M. Lenga, “Similarity and quality metrics for MR image-to-image translation,” Sci. Rep. 15(1), 3853 (2025). https://doi.org/10.1038/s41598-025-87358-0
“The Image Biomarker Standardization Initiative: Standardized Quantitative Radiomics for High-Throughput Image-based Phenotyping,” Radiology,” 295(2), (2020). https://doi.org/10.1148/radiol.2020191145
D. Sliusarenko, and A. Netreba, “Phantom-Guided Adaptive Denoising of Medical Images Using Enhanced U-Net Architecture,” Radioelectronics and Communications Systems, (2025). https://doi.org/10.3103/S0735272725020049
M. Mathieu, C. Couprie, and Y. LeCun, “Deep multi-scale video prediction beyond mean square error,” CoRR, (2015). https://doi.org/10.48550/arXiv.1511.05440
P. Isola, J.-Y. Zhu, T. Zhou, and A.A. Efros, “Image-to-Image Translation with Conditional Adversarial Networks,” in: 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), (2017), pp. 5967–5976. https://doi.org/10.1109/CVPR.2017.632
D. Sliusarenko, A. Netreba, and S. Radchenko, “Refining Clarity Medical Image via U-Net with Tailored Architectural Modifications and Transfer Learning,” in: Proc. IEEE Int. Conf. Electron. Nanotechnol., ELNANO., (Institute of Electrical and Electronics Engineers, 2024), pp. 456–460. https://doi.org/10.1109/ELNANO63394.2024.10756858
H. Liu, Z. Li, S. Lin, and L. Cheng, “A Residual UNet Denoising Network Based on Multi-Scale Feature Extraction and Attention-Guided Filter,” Sensors (Basel), 23(16), 7044 (2023). https://doi.org/10.3390/s23167044
H. Zhang, Q. Lian, J. Zhao, Y. Wang, Y. Yang, and S. Feng, “RatUNet: residual U-Net based on attention mechanism for image denoising,” PeerJ Comput. Sci. 8, e970 (2022). https://doi.org/10.7717/peerj-cs.970
Z. Zhuang, M. Liu, A. Cutkosky, and F. Orabona, “Understanding AdamW through Proximal Methods and Scale-Freeness,” Trans. Mach. Learn. Res. (2022). https://doi.org/10.48550/arXiv.2202.00089
S. Brody, U. Alon, and E. Yahav, “On the Expressivity Role of LayerNorm in Transformers’ Attention,” (arXiv, 2023). https://doi.org/10.48550/arXiv.2305.02582
T.-T. Han, H. Nguyen Van, and P. Nguyen Huu, “Denoising Method for MRI Images Using Modified BM3D Filter with Complex Network and Artificial Neural Networks,” Journal of Electrical and Computer Engineering, 2024(1), 2606485 (2024). https://doi.org/10.1155/2024/2606485
Z. Wang, A.C. Bovik, H.R. Sheikh, and E.P. Simoncelli, “Image quality assessment: from error visibility to structural similarity,” IEEE Transactions on Image Processing, 13(4), 600–612 (2004). https://doi.org/10.1109/TIP.2003.819861
M.J. Kobra, M.O. Rahman, and A.M. Nakib, “A Novel Hybrid Framework for Noise Estimation in High-Texture Images using Markov, MLE, and CNN Approaches,” Scientific Journal of Engineering Research, 1(2), 54–63 (2025). https://doi.org/10.64539/sjer.v1i2.2025.25
H.M.S.S. Herath, H.M.K.K.M.B. Herath, N. Madusanka, and B.-I. Lee, “A Systematic Review of Medical Image Quality Assessment,” Journal of Imaging, 11(4), 100 (2025). https://doi.org/10.3390/jimaging11040100
R. Rodrigues, L. Lévêque, J. Gutiérrez, H. Jebbari, M. Outtas, L. Zhang, A. Chetouani, S. Al-Juboori, M.G. Martini, and A.M.G. Pinheiro, “Objective quality assessment of medical images and videos: review and challenges,” Multimed Tools Appl 84(25), 29915–29948 (2025). https://doi.org/10.1007/s11042-024-20292-x
K.M. Kempski, M.T. Graham, M.R. Gubbi, T. Palmer, and M.A. Lediju Bell, “Application of the generalized contrast-to-noise ratio to assess photoacoustic image quality,” Biomed. Opt. Express, 11(7), 3684–3698 (2020). https://doi.org/10.1364/BOE.391026
O. Rainio, and R. Klén, “Modified Dice Coefficients for Evaluation of Tumor Segmentation from PET Images: A Proof-of-Concept Study,” J. Digit. Imaging. Inform. Med. (2025). https://doi.org/10.1007/s10278-025-01535-1
P. Ramachandran, T. Eswarlal, M. Lehman, and Z. Colbert, “Assessment of Optimizers and their Performance in Autosegmenting Lung Tumors,” J. Med. Phys. 48(2), 129–135 (2023). https://doi.org/10.4103/jmp.jmp_54_23
A. Mason, J. Rioux, S.E. Clarke, A. Costa, M. Schmidt, V. Keough, T. Huynh, and S. Beyea, “Comparison of Objective Image Quality Metrics to Expert Radiologists’ Scoring of Diagnostic Quality of MR Images,” IEEE Transactions on Medical Imaging, 39(4), 1064–1072 (2020). https://doi.org/10.1109/TMI.2019.2930338
K. Chupetlovska, K. Groot Lipman, Z. Bodalal, F.M. Aricò, L. Topff, M. Maas, and S. Trebeschi, “Do’s and don’ts of tumor segmentation with 3D slicer: A practical guide for radiologists, by radiologists,” European Journal of Radiology Artificial Intelligence, 5, 100053 (2026). https://doi.org/10.1016/j.ejrai.2025.100053
A. Buades, B. Coll, and J.-M. Morel, “A non-local algorithm for image denoising,” in 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05), (2005), pp. 60–65 vol. 2. https://doi.org/10.1109/CVPR.2005.38
K. Zhang, W. Zuo, Y. Chen, D. Meng, and L. Zhang, “Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising,” IEEE Transactions on Image Processing, 26(7), 3142–3155 (2017). https://doi.org/10.1109/TIP.2017.2662206
Q. Yang, P. Yan, Y. Zhang, H. Yu, Y. Shi, X. Mou, M.K. Kalra, Y. Zhang, L. Sun, and G. Wang, “Low Dose CT Image Denoising Using a Generative Adversarial Network with Wasserstein Distance and Perceptual Loss,” IEEE Trans Med Imaging, 37(6), 1348–1357 (2018). https://doi.org/10.1109/TMI.2018.2827462
Авторське право (c) 2026 Д.Г. Слюсаренко, Л.В. Саян, 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).
