使用堆叠自编码器去噪磁共振波谱（MRS）数据，提高信噪比和速度。
摘要：使用深度学习方法进行磁共振波谱（MRS）数据去噪，并且不增加信号平均数（NSA）。通过将高NSA数据（NSA=192）进行随机截断以获取低NSA数据（NSA=1、2、4、8和16）进行训练，使用堆叠自动编码器（SAE）网络构建深度学习模型。通过改善信噪比（SNR）比较自监督和全监督训练方法在去噪低NSA数据上的性能。实验结果表明，使用SAE模型，幻象中低NSA数据（NSA = 1）的SNR增加了22.8％，均方误差（MSE）降低了47.3％。对于人类顶叶和颞叶的低NSA图像，SNR增加了43.8％，MSE降低了68.8％。在所有情况下，经过去噪后的光谱中NAA的化学位移与高SNR光谱非常接近，表明去噪没有对光谱产生失真。此外，SAE模型在去噪信噪比较高的光谱中的性能更为有效。总结来说，所报道的SAE去噪方法是一种无模型方法，可提高低NSA MRS数据的SNR。通过去噪的能力，我们可以在保持足够光谱信息的情况下，使用较少的NSA来获取MRS数据，从而缩短扫描时间，同时可以检测和定量有兴趣的代谢物。
作者：Jing Wang (1), Bing Ji (2), Yang Lei (1), Tian Liu (3), Hui Mao (2), Xiaofeng Yang (1) ((1) Department of Radiation Oncology and Winship Cancer Institute, Emory University, Atlanta, GA, (2) Department of Radiology and Imaging Science and Winship Cancer Institute, Emory University, Atlanta, GA, (3) Department of Radiation Oncology, Icahn School of Medicine at Mount Sinai, New York, NY)
论文ID：2303.16503
分类：Medical Physics
分类简称：physics.med-ph
提交时间：2023-03-30