基于自監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)的多層同時(shí)掃描擴(kuò)散張量成像去噪研究

曹達(dá)，王偉，徐露露，王傳兵，陳巍，吳小玲

1.南京醫(yī)科大學(xué)第一附屬醫(yī)院 放射科，江蘇 南京 210019；2.南京醫(yī)科大學(xué) 生物醫(yī)學(xué)工程與信息學(xué)院，江蘇 南京 211166

引言

擴(kuò)散張量成像（Diffusion Tensor Imaging，DTI）是一種MRI功能成像技術(shù)，它使用各向異性擴(kuò)散來(lái)估計(jì)大腦的軸突（白質(zhì)）組織，在鑒別腦腫瘤、判斷腦腫瘤良惡性和顯示腫瘤與白質(zhì)纖維束的關(guān)系等方面有重要的價(jià)值[1]。DTI掃描時(shí)間較長(zhǎng)，臨床上常采用多層同時(shí)掃描技術(shù)（Multiband SENSE，MB SENSE）加快DTI掃描，以防止患者運(yùn)動(dòng)影響結(jié)果，該技術(shù)是通過(guò)特殊射頻脈沖同時(shí)激發(fā)多個(gè)層面與算法重建實(shí)現(xiàn)，不僅實(shí)現(xiàn)了掃描加速，而且不影響診斷效能，在腰骶叢神經(jīng)、盆腔腫瘤等診斷方面均有報(bào)道[2-3]。但是同時(shí)激發(fā)層數(shù)越多，即加速倍數(shù)越高，信噪比（Signal to Noise Ratio，SNR）越低，導(dǎo)致張量在方向排列上雜亂、不規(guī)則，使得追蹤的纖維結(jié)構(gòu)不夠平滑，甚至得到錯(cuò)誤的結(jié)果，因此在同時(shí)多層采集中去噪具有重要意義[4]。

常規(guī)去噪方法很難利用到各個(gè)梯度的數(shù)據(jù)，并且只能處理特定的噪聲[5]。以機(jī)器學(xué)習(xí)為代表的人工智能方法，在性能和效果上優(yōu)于常規(guī)方法，但常見(jiàn)的監(jiān)督學(xué)習(xí)（Supervised Learning）網(wǎng)絡(luò)需要大量的干凈/噪聲圖像配對(duì)構(gòu)成的數(shù)據(jù)集去訓(xùn)練，目前臨床上很難獲得真正對(duì)齊的數(shù)據(jù)，且網(wǎng)絡(luò)泛化能力一般[6-7]。最近，有研究者提出一種自監(jiān)督學(xué)習(xí)（Self-Supervised Learning）網(wǎng)絡(luò) Patch2Self，從大規(guī)模的無(wú)監(jiān)督圖像（噪聲圖像）中挖掘自身的監(jiān)督信息，只需要噪聲圖像即可完成去噪，無(wú)需對(duì)信號(hào)的結(jié)構(gòu)進(jìn)行任何假設(shè)，且能充分利用各個(gè)梯度方向的數(shù)據(jù)，F(xiàn)adnavis等[8]認(rèn)為該網(wǎng)絡(luò)可以保留大腦中的組織結(jié)構(gòu)并抑制噪聲，但該方法在MB SENSE DTI方面的有效性尚未得到證實(shí)。基于此，本研究旨在探究利用自監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)Patch2Self給MB SENSE DTI去噪臨床應(yīng)用的可行性。

1 資料與方法

1.1 一般資料

本研究招募24名健康志愿者，其中男性8名，女性16名，平均年齡（54.83±14.41）歲。本研究經(jīng)醫(yī)院倫理委員會(huì)批準(zhǔn)，所有志愿者均被告知并書(shū)面同意參與本研究。

1.2 儀器與方法

采用飛利浦3.0 T MRI掃描儀（Ingenia CX，Philips Healthcare，荷蘭），32通道頭顱專用線圈，同時(shí)采集層數(shù)（MB factor）設(shè)置為4。其他掃描成像參數(shù)如下：重復(fù)時(shí)間（Repetition Time，TR）1510 ms，恢復(fù)時(shí)間（Echo Time，TE）88 ms，視野（Field of View，F(xiàn)OV） 224 mm×224 mm，重建矩陣128 mm，體素2 mm×2 mm×2 mm，間隙0 mm，擴(kuò)散敏感系數(shù)（b值）=0、1000 s/mm2，方向分辨率（Directional Resolution）32，層厚50 mm，信號(hào)平均采集次數(shù)（Number of Signal Average，NSA）2次，SENSE（SEN Sitivity Encoding）1.0。每個(gè)志愿者可獲取2040張DTI圖，采集時(shí)間4 min 58 s。

1.3 Patch2Self網(wǎng)絡(luò)

如圖1所示，Patch2Self分為兩個(gè)階段，即數(shù)據(jù)準(zhǔn)備階段和去噪訓(xùn)練階段。在數(shù)據(jù)準(zhǔn)備階段先將MB SENSE DTI數(shù)據(jù)分割成p鄰域的立體塊，具體操作步驟如下：① 設(shè)多層DTI有個(gè)擴(kuò)散梯度方向，每個(gè)方向的3D數(shù)據(jù)維度均為a×b×c；② 將這些3D數(shù)據(jù)依次切割成多個(gè)維度為p×p×p的小塊，并稱這些小塊為p鄰域塊，每個(gè)擴(kuò)散梯度方向有個(gè)鄰p域塊；③ 將每個(gè)立體的p鄰域塊展開(kāi)成一維長(zhǎng)度為p3向量；④ 將同一位置的鄰域塊轉(zhuǎn)成的向量排在一起，構(gòu)成p3×n的二維矩陣；⑤ 最終多層DTI數(shù)據(jù)就轉(zhuǎn)化為m個(gè)p3×n的二維矩陣。上述3D塊數(shù)據(jù)提取完畢后，即進(jìn)入去噪訓(xùn)練階段，在該階段實(shí)現(xiàn)去噪，具體步驟如下：① 設(shè)MB SENSE DTI數(shù)據(jù)為一個(gè)數(shù)據(jù)集Y={y1,y2...yn}，y1為每個(gè)梯度方向的數(shù)據(jù)，n為梯度擴(kuò)散方向編號(hào)，則Y的維度為m×p3×n；② 從Y取出一個(gè)擴(kuò)散梯度方向的數(shù)據(jù)yi，剩下的為Y-i；③ 用集合Y-i中每個(gè)體素周圍的局部空間鄰域信息，來(lái)訓(xùn)練回歸函數(shù)Ψi逼近目標(biāo)梯度方向數(shù)據(jù)yi，最小化p鄰域自監(jiān)督損失函數(shù)見(jiàn)式（1）；④ 依次訓(xùn)練Ψ={ψ1,ψ2......ψn}直到收斂，完成訓(xùn)練工作。

圖1 Patch2Self網(wǎng)絡(luò)結(jié)構(gòu)示意圖

每個(gè)方向中的噪聲與另一個(gè)方向中的噪聲是相互獨(dú)立的，并且回歸去噪函數(shù)集Ψ的輸出不依賴于輸入；式（1）自監(jiān)督損失的所有總和Loss（Ψ）的最小化等于噪聲的最小化，并據(jù)此來(lái)實(shí)現(xiàn)去噪。

1.4 圖像質(zhì)量評(píng)價(jià)

為驗(yàn)證Patch2Self的有效性，本研究引入具有代表性的去噪方法——非局部均值法（Non-Local Means，NLM）[9]、局部主成分分析法（Local Principal Component Analysis，LPCA）[10]與其進(jìn)行比較。本研究從主觀和客觀兩個(gè)方面進(jìn)行圖像質(zhì)量評(píng)價(jià)，其中在主觀評(píng)價(jià)中，由1名高年資放射科神經(jīng)組醫(yī)生采用雙盲法和4分法（1=差；2=一般；3=良好；4=優(yōu)秀）對(duì)去噪后（NLM、LPCA、Patch2Self）的DTI圖進(jìn)行噪聲、對(duì)比度、整體質(zhì)量以及對(duì)各向異性分?jǐn)?shù)（Fractional Anisotropy，F(xiàn)A）圖的評(píng)價(jià)[11]?？陀^評(píng)價(jià)使用無(wú)參考圖像的質(zhì)量評(píng)價(jià)方法，包括峰值噪聲比（Peak Signal to Noise Ratio，PSNR）、結(jié)構(gòu)相似度（Structural Similarity，SSIM）[12-14]。具體評(píng)價(jià)方式如下。

1.4.1 PSNR

PSNR用于衡量去噪前后圖像的質(zhì)量，PSNR越大表示去噪效果越明顯，計(jì)算方式見(jiàn)式（2）。

式中，fmax表示圖像的最大灰度值；MSE（Mean Squared Error）為使用無(wú)參考圖像的噪聲方差估計(jì)方法得到的均方誤差。

1.4.2 SSIM

SSIM是一種衡量?jī)煞鶊D像相似度的方法，可用于判斷圖像是否失真。SSIM與PSNR的主要區(qū)別在于SSIM量化亮度、對(duì)比度等結(jié)構(gòu)信息的變化，而PSNR是估計(jì)絕對(duì)誤差。SSIM取值范圍[0,1]，值越接近1表示圖像失真越小。計(jì)算方式見(jiàn)式（3）。

式中，μx和μy分別代表x,y的平均值；σxy代表x和y的協(xié)方差；σx和σy分別代表x,y的標(biāo)準(zhǔn)差，而c1、c2分別為常數(shù)（避免分母為0造成的系統(tǒng)錯(cuò)誤）。

1.5 統(tǒng)計(jì)學(xué)分析

使用 SPSS 22.0 進(jìn)行統(tǒng)計(jì)學(xué)分析。采用 Kolmogorov-Smimov方法進(jìn)行計(jì)量資料的正態(tài)性檢驗(yàn)，依據(jù)數(shù)據(jù)的正態(tài)性與否采用±s或中位數(shù)（四分位間距）表示。客觀評(píng)價(jià)中，采用配對(duì)樣本t檢驗(yàn)或Wilcoxon符號(hào)秩和檢驗(yàn)比較PSNR值和SSIM值；主觀評(píng)價(jià)中采用Wilcoxon符號(hào)秩和檢驗(yàn)比較DTI圖噪聲、對(duì)比度以及整體質(zhì)量以及對(duì)各自的FA圖整體質(zhì)量。P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 客觀圖像質(zhì)量比較

NLM、LPCA、Patch2Self這3種去噪方法中的PSNR值和SSIM值如表1所示，在PSNR方面，Patch2Self優(yōu)于NLM，但低于LPCA（P＜0.05）；在SSIM方面，Patch2Self優(yōu)于NLM和LPCA（P＜0.05）。

表1 MB SENSE DTI 3種去噪方法的PSNR值和SSIM值

2.2 主觀圖像質(zhì)量比較

主觀圖像質(zhì)量評(píng)分如表2所示，在噪聲方面，Patch2Self明顯優(yōu)于 NLM（P＜0.05），然而 Patch2Self和LPCA之間圖像無(wú)統(tǒng)計(jì)學(xué)差異（P＞0.05）；在對(duì)比度、整體質(zhì)量、FA圖整體質(zhì)量方面，Patch2Self明顯優(yōu)于NLM和LPCA（P＜0.05）。3種方法去噪前和去噪后的MB SENSE DTI圖、FA圖以及FA彩圖的視覺(jué)效果如圖2和3所示。

圖2 去噪前和去噪后的DTI圖

圖3 去噪前和去噪后的可視化的FA圖和FA彩圖

表2 MB SENSE DTI 3種去噪方法的主觀評(píng)分（分，±s）

表2 MB SENSE DTI 3種去噪方法的主觀評(píng)分（分，±s）

注：a代表Patch2Self與NLM的統(tǒng)計(jì)結(jié)果；b代表Patch2Self與LPCA的統(tǒng)計(jì)結(jié)果。

指標(biāo)評(píng)價(jià)方法 Za值 Pa值 Zb值 Pb值NLM LPCA Patch2Self噪聲 2.88±0.68 3.83±0.44 3.75±0.38 4.379 ＜0.001 -1.00 0.317對(duì)比度 2.42±0.50 3.46±0.51 3.92±0.28 4.332 ＜0.001 3.051 0.002整體質(zhì)量 2.50±0.51 3.71±0.45 3.96±0.20 4.326 ＜0.001 -2.449 0.014 FA圖整體質(zhì)量 3.75±0.44 3.21±0.59 3.96±0.20 2.236 0.025 4.025 ＜0.001

3 討論

DTI是基于 平面回 波序列（Echo Planar Imaging，EPI）的衍生序列，通過(guò)連續(xù)變化梯度場(chǎng)方向進(jìn)行數(shù)據(jù)采集，本質(zhì)具有低信噪比、低分辨率、對(duì)運(yùn)動(dòng)敏感等不足[15]。當(dāng)擴(kuò)散敏感系數(shù)越高，分辨率越高，擴(kuò)散敏感度越高，顯示神經(jīng)纖維越精準(zhǔn)，但信噪比越低，掃描時(shí)間延長(zhǎng)；當(dāng)方向數(shù)越多，顯示的神經(jīng)纖維束越精細(xì)，但同樣導(dǎo)致掃描時(shí)間延長(zhǎng)。

磁共振快速成像技術(shù)可以提高采集速度、減少受檢者不適、避免出現(xiàn)運(yùn)動(dòng)偽影[16-17]，其中壓縮感知技術(shù)便是加速方法之一，其通過(guò)稀疏化采樣、小波變換和逆變換、傅立葉逆變換、反復(fù)迭代實(shí)現(xiàn)去噪，最后重建得到去噪圖像[18-19]。而本文所結(jié)合的MB SENSE技術(shù)是通過(guò)增加同時(shí)采集的層數(shù)，以此成倍提高了成像速度。但是MB SENSE受到表面線圈的數(shù)量、負(fù)載等幾何因子影響[20]，使得同時(shí)采集的層數(shù)（MB Factor）越高，圖像的SNR越低。此外，MB SENSE只是利用特殊算法去除混疊，得到不同層面的圖像，然而在此重建過(guò)程中并未去噪。由于上述硬件、重建算法等因素限制，導(dǎo)致MB SENSE相關(guān)研究進(jìn)展緩慢[21]。

2019年，Laine等[22]首先利用統(tǒng)計(jì)獨(dú)立性的思想進(jìn)行圖像去噪，需要有同一場(chǎng)景下的兩個(gè)不同的噪聲圖片，使用一個(gè)噪聲測(cè)量來(lái)預(yù)測(cè)另一個(gè)噪聲測(cè)量；2020年，F(xiàn)adnavis等[8]提出了J不變性（J-invariance）理論，表明不需要“圖像對(duì)”來(lái)進(jìn)行去噪，從圖像中屏蔽一組維度，只在其他維度上進(jìn)行訓(xùn)練，即可完成圖像的去噪。Patch2Self正是基于上述研究，利用DTI成像數(shù)據(jù)中的多組維度的DTI數(shù)據(jù)完成自監(jiān)督學(xué)習(xí)去噪。

本研究結(jié)果表明，Patch2Self在結(jié)構(gòu)相似度、圖像對(duì)比度、整體質(zhì)量以及FA圖整體質(zhì)量?jī)?yōu)于常規(guī)去噪方法，但在去噪效果方面略遜于LPCA。分析原因?yàn)長(zhǎng)PCA是通過(guò)將圖像分解為局部主成分，縮小不相關(guān)的成分來(lái)完成降噪。在此過(guò)程中，可能將組織結(jié)構(gòu)中較低信號(hào)識(shí)別為噪聲信號(hào)[10,23]。本文創(chuàng)新性的利用Patch2Self來(lái)提高M(jìn)B SENSE DTI圖像質(zhì)量，對(duì)提高觀察、后處理以及臨床診斷具有一定的實(shí)際意義。

目前本研究有以下幾個(gè)局限性：首先，本研究?jī)H驗(yàn)證了腦部MB SENSE DTI圖像，未來(lái)研究還需驗(yàn)證在其他部位的有效性；其次，本研究?jī)H收集了健康志愿者的磁共振圖像，僅對(duì)比分析圖像質(zhì)量，未來(lái)應(yīng)對(duì)臨床診斷的影響進(jìn)行分析；最后，僅使用單一供應(yīng)商的MR掃描儀，下一步將納入更多的研究對(duì)象，包括不同類型的患者和不同類型的MR掃描儀。

4 結(jié)論

本文利用自監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)Patch2Self給MB SENSE DTI去噪，相比常規(guī)去噪方法，Patch2Self可以出色地完成去噪、保留腦部組織結(jié)構(gòu)、提高圖像質(zhì)量等工作，增加了MB SENSE DTI的大規(guī)模臨床應(yīng)用以及高加速倍數(shù)推廣的可能性。