MRI图像降噪技术综述.pdf

计算机工程与应用 MRI 图像降噪技术综述蒲晓蓉1*，陈佳俊2，高励3，赵越1，罗纪翔1，刘军池1，任亚洲1(1.电子科技大学计算机科学与工程学院成都611731；2.电子科技大学格拉斯哥学院成都611731；3.成都市第三人民医院神经内科成都610031)【摘要】核磁共振成像技术已广泛用于脑部、脊髓和心脏等相关疾病的临床诊断。然而，由采样时间、环境、设备质量等多种因素导致的成像噪声制约着诊断精度的进一步提高。综合研究了 MRI 降噪技术的发展脉络，系统梳理了基于滤波、变换、统计等传统 MRI 图像降噪方法，并重点分析了当前基于深度学习的 MRI 图像降噪系列新方法，展望了 MRI 图像降噪的未来发展趋势。最后，总结了现有医学图像质量评估方法，并指出针对依赖大量数据和人工标注医学图像样本、而可解释性较差的现有深度学习方法，需要探索性研究面向临床实际任务的医学图像质量评估新方法。关键词深度学习；核磁共振；医学图像质量评估；MRI 图像降噪中图分类号TN415文献标志码Adoi:10.12178/1001-0548.2022248SurveyonMagneticResonanceImageDenoisingPUXiaorong1*,CHENJiajun2,GAOLi3,ZHAOYue1,LUOJixiang1,LIUJunchi1,andRENYazhou1(1.SchoolofComputerScienceandEngineering,UniversityofElectronicScienceandTechnologyofChinaChengdu611731;2.GlasgowCollege,UniversityofElectronicScienceandTechnologyofChinaChengdu611731;3.DepartmentofNeurology,TheThirdPeoplesHospitalofChengduChengdu610031)AbstractMagneticResonanceImaging(MRI)hasbeenextensivelyemployedasanauxiliarymeanstodiagnosepathologicaldeteriorationofbrain,spinalcordandheartrelateddiseasesclinically.Nevertheless,imagingnoiseinducedbybothinternalandexternalimpactsrestrictfurtherimprovementondiagnosticaccuracy.Thispapercarriesoutareviewontechnologicalinnovationsrangingfromearlierconventionalapproachesbasedonfiltertechniqueostate-of-the-artalternativesutilizingthedeeplearningnetwork.Finally,someinductivesummariesofthemedicalimagequalityassessmentshavebeenintroduced.Italsopointsoutthatexistingdeeplearningmethods,whichrelyonalargeamountofdataandmanualannotationofmedicalimagesamples,arepoorlyinterpretable.Itisvitalthatclinical-orientedevaluationmechanismshouldbeexploredforclinicaldemands.Key words deep learning;magnetic resonance imaging;medical image quality assessment;MRIimagedenoising医学影像诊断已经成为临床医学诊疗的一种常见手段之一。磁共振成像(magneticresonanceimaging,MRI)是一种以非入侵方式取得活组织的病理及其生理改变信息的成像技术1。MRI 具备多功能性、高诊断实用性和灵活性等技术优势，广泛应用于测量组织扩散、组织温度、心脏成像、脑部成像等许多临床任务。对于人体的非骨性部位以及软组织结构，MRI 可以形成更清晰的影像。与使用常规 X 射线的 CT 成像相比，MRI 不存在电离辐射影响，对大脑、脊髓、神经、肌肉、韧带、肌腱等部位的成像效果更佳。实际应用中，MRI 利用电磁场和核自旋相关性，通过检测处于强磁场中由谐振磁激励脉冲激发的氢原子产生的信号，绘制成像目标内部特定原子核和质子的空间位置和相关属性2。在单通道信号采集中，因为需要频繁计算原数据的离散傅里叶逆变换来构建影像，采集速度相比其他医学影像诊断方式更慢3。最近发展成熟的平行成像技术通过减少 K 空间(傅里叶转换下的对偶空间)线数量，一定程度上缓解了成像较慢的不足。尽管设备硬件的不断升级有助于提高 MRI收稿日期：20220720；修回日期：20220830作者简介：蒲晓蓉(1969)，女，教授，主要从事机器学习、信息医学等方面的研究.*通信作者：蒲晓蓉，E-mail：第52卷第4期电子科技大学学报Vol.52No.42023 年 7 月JournalofUniversityofElectronicScienceandTechnologyofChinaJul.2023成像的分辨率、信噪比和采集速度，但在采集过程中仍不可避免地会产生噪声和伪影4。成像过程中系统所处的环境、涡流、成像物体内部随机的生理活动等复杂因素会产生随机的结构化时间噪声，相邻组织间的磁化率的不同、刚体运动和非刚体运动则会引入伪影5-6，扫描物体的热噪声属于影响成像的主要噪声源7。这些噪声和伪影会不同程度地影响生成图像的质量，降低计算机辅助影像诊断的精度以及临床影像诊断的准确率。现有绝大多数研究将 MRI 图像的噪声假设为加性高斯白噪声、泊松噪声或两者混合噪声，基于莱斯分布或瑞利分布进行影像重建8-10。这类假设的噪声与临床应用的实际场景存在明显差距。此外，现有医学图像的质量也缺乏规范、公认的评价机制，大多采用自然图像降噪评价指标，即峰值信噪比(peaksignaltonoiseratio,PSNR)、结构相似度(structuralsimilarity,SSIM)等。事实上，临床医学影像诊断更关注病灶的位置、大小、密度、形态等关键特征，自然图像降噪的评价标准无法满足临床需求。因此，面向临床实际需求的医学图像质量优化方法和评价机制也是重要的研究课题。本文系统性分析了传统 MRI 图像降噪技术，着重梳理了基于深度学习的医学图像降噪方法。并总结了现有医学图像质量评估方法，指出现有深度学习方法严重依赖大量数据和人工标注医学图像样本，但可解释性较差，需要探索性研究面向临床实际任务的医学图像质量评估新方法。1MRI 图像降噪研究现状MRI 图像降噪一般分为前处理和后处理两种方法，其中前处理方法需要在成像过程中多次获取相关数据并计算其平均结果，该方法会显著增加MRI 采集数据的时间，影响 MRI 技术的临床应用。后处理方法基于图像成像以后对 MRI 图像进行降噪。MRI 图像降噪的目标是保持组织边界的同时，在均匀的组织区域中获得分段恒定或缓慢变化信号。MRI 图像降噪的诸多研究成果提出了多种降噪技术，每种技术都有其自己的假设和优缺点。近年来，得益于神经网络方法在计算机视觉领域的深入应用，基于深度学习的降噪逐渐成为MRI 降噪的主流方法。1.1传统 MRI 图像降噪方法传统 MRI 图像降噪一般基于信号后处理进行降噪，主要包含：基于滤波、变换、统计和混合方法的 MRI 图像降噪等。1.1.1基于滤波的 MRI 图像降噪1985 年，文献 11 提出用于降低 MRI 中高斯噪声的空间域滤波和时间域滤波算法。其中空间滤波方法将图像与选定的滤波器进行卷积计算，以降低图像的方差，但会使图像变得相对平滑，导致图像边缘模糊。而时域滤波需要根据采样的间隔来选择相应的滤波器，其应用场景较为局限。文献 12 提出的各向异性扩散滤波器克服了基于空间滤波器方法的不足，能有效去除同质化区域中的噪声并锐化图像边缘，与空间滤波相比能显著提升图像的质量。该滤波器为后来的研究奠定了基础，其后相继出现了很多基于各向异性扩散滤波器的改进方案，其中包括文献 13 提出的基于四阶复扩散的 MRI 图像降噪方法，将标准扩散方程与自由薛定谔方程进行结合。文献 14 提出的非局部均值(non-localmeans,NLM)滤波器，是对传统邻域滤波方法的一种改进，利用了图像中存在的自相似特性，可以在对MRI 图像降噪的同时尽量保持其中的细节。现在比较流行的空域降噪算法大都基于 NLM 发展而来，近几年的 MRI 图像降噪传统方法均有使用15。1.1.2基于变换的 MRI 图像降噪基于变换域方法的目的是将原始信号转换为可以更轻松地消除噪声的模式。小波变换16将信号分解为多个尺度，涵盖图像的频谱信息和空间信息。该方法近二十年来在 MRI 降噪领域获得了广泛的关注，先后出现了大量的相关研究成果17。然而，基于小波变换的降噪方法不适合处理具有高维奇异点的信号，故出现了 Curvelet 变换18。Curvelet 具有方向性和各向异性，可以表示图像边缘的方向，能同时获得对图像平滑区域和边缘部分的稀疏表达19。随后出现了基于 Contourlet 变换进行 MRI 图像降噪的方法20，使用 Contourlet 变换时，图像中的随机噪声与图像内容的系数可以获得更好的分离，通过选取合适的阈值，使用较简单的 Contourlet 变换就能达到较好的降噪效果。1.1.3基于统计方法的 MRI 图像降噪基于统计的 MRI 图像降噪方法，首先估计MRI 图像中的噪声，并获得统计上的最优降噪图像。不同的统计估计方法会产生不同的降噪效果。1)极大似然估计法。文献 21 使用极大似然估计法对信号进行重建。文献 22 提出应用于多线圈 MRI 图像的非局部极大似然估计方法。第 4 期蒲晓蓉，等：MRI 图像降噪技术综述5692)线性最小均方误差估计。文献 23 利用图像局部统计量的分布信息，进行 MRI 图像降噪。3)相位误差估计。文献 24 提出一种相位误差估计方法，迭代地应用了一系列非线性滤波器，每个滤波器都用于修改估计，直到输出收敛到一个稳定的估计。4)非参数估计。文献 25 提出一种使用非参数密度估计的 MRI 图像降噪算法。使用输入数据进行噪声估计，不需要显式的参数调整。1.1.4混合方法的 MRI 图像降噪1)独立成分分析法 ICA(independentcomponentanalysis)。这里的 ICA 是指基于假设信号源的统计独立性的一系列盲信号分离技术，用于 MRI 多维数据的计算26。进行图像降噪时，ICA 能容忍被测物体对外界的非预期反应，针对时间和空间高分辨率的功能性 FMRI(functionalMRI)数据，对随机信号和某些复合信号(如脉动和呼吸造成的伪影)的降噪及分离具有显著效果27。此外，ICA 降噪对图像的边缘也有一定的增强作用，且可以选择性地分离和抑制全局结构化噪声(如由受试者呼吸产生的血流调节引起)，同时保留基于任务和静息状态的功能性 MRI 的全局神经信息27-28，为是否进行全局信号回归难题提供潜在的解决路径。然而，该方法严重依赖投影数据，受限于降噪性能和算法复杂度，缺乏较好的普适性29。2)随机方法(stochasticmethod)。该类方法通过估计和计算抑制前噪声图像的噪声特性及其方差特性进行图像降噪，其本质是随机的，因此适用于现实随机噪声分布的处理和降噪。有多种不同的估计器(estimator)，如最大似然估计 ML(maximuml