近十年来,儿科神经成像领域经历了快速演变,噪声减少算法在增强图像质量和诊断准确性方面发挥着日益重要的作用。 与成人神经成像不同,儿科扫描提出了不同的挑战:解剖结构较小、更容易运动、以及需要更快的获取协议以尽量减少镇静剂要求。噪声 — — 无论是从硬件限制、病人移动还是生理来源 — — 能够模糊微妙但关键的特征,如发展白物质道或微血栓。先进的算法方法现在旨在抑制这些腐败,同时保持基本神经解剖学的忠诚性。 本条全面概述了所遭遇的噪声类型、为缓解这些噪声而制定的算法策略以及有望进一步完善儿科神经成像的新兴方向。

减少小儿神经成形噪音的重要性

儿童体内的准确神经成像对于诊断先天性异常、创伤性脑损伤、癫痫、神经发育障碍和儿科脑瘤至关重要。 即使轻微的噪音也会导致误解 — — 例如,运动引起的鬼魂可能模仿空间占用的损伤。 过度的噪音还使用于传播的百日咳成像(DTI)或功能性核磁共振(fMRI)的定量计量值下降,后者越来越多地用于评估大脑的成熟和连接。

低质量导致的重复扫描不仅仅是一种不便;它会加剧儿童和家庭的焦虑,增加镇静剂与相关风险的需求,并增加医疗费用。 因此,强力的降噪算法不仅仅是一种技术奢侈,而且是临床上的必要。 它们能够以可接受的结果使用较低的磁场强度,缩短扫描时间以减少运动负担,以及高分辨率图像揭示发展中大脑中细微解剖细节。

小儿神经成像数据中的噪声类型

神经成像中的噪声来自多种来源,每个来源都有不同的特征。 理解这些对设计有效的算法至关重要。

热噪声

热(Johnson–Nyquist)噪声源于核磁共振线圈和预加成器中电子的随机运动。 它具有添加剂、白色和高斯式分布。 虽然热噪声始终存在,但由于头部尺寸较小,以及随之而来的信号对噪声比(SNR)较低,在儿科扫描中其相对影响更大。

运动动因

运动是儿科成像中最令人衰弱的噪音来源。 即使合作儿童在扫描过程中也经常移动,产生模糊、幽灵和戒指文物。 吞咽或眼动等非自愿运动也起到了促进作用。 运动文物不是固定的,可能腐蚀大量k-空间,使他们难以追溯性地删除。

生理噪声

心跳和呼吸周期会诱发磁场的周期性变化,特别是脑电图和玄武岩脉系。 在fMRI中,这些波动可以模仿神经激活信号,除非正确建模和清除。 儿童心跳和呼吸率的提高加剧了挑战。

Gibbs 铃声和断弦动脉

Gibbs 响起时是近似锐度过渡的波纹,比如灰质物质和脑脊液的界面。 这不是随机的噪音,而是有限 k- 空间采样的系统文物。 在小儿成像中,小结构很常见,Gibbs 响起时可以模糊对体积分析至关重要的界限。

电子和环境噪音

磁场杂质、梯度非线性以及外部射频干扰可以引入结构化噪声模式。 虽然硬件改进可以减轻其中一些,但算法修正仍然有必要。

开发减少噪音算法

儿科神经成像的噪声还原算法已经从古典信号处理演变为现代数据驱动方法,目标始终是最大限度地实现噪声抑制与保存诊断相关特征之间的权衡.

传统过滤技术

空间域过滤器

高斯平滑应用了与高斯内核的共化,平均邻位像素以减少高频噪声,然而,它模糊了边缘和细细的细节,在小结构之间的界限狭窄的儿科图像中,这个问题很成问题. 中位滤波更能保持边缘,但如果内核大小太大,可以去除细线.

以波浪为基础的 Denoising

微波计可以将图像分解成不同的频率尺度。 通过设定假设代表噪音的微小系数,这种方法比空间滤波器更能保护边缘。 适应性阈值算法,如施泰因无偏见的风险估计(SURE)或巴耶斯缩水,已经针对神经成像进行了定制。微波计解算因其计算效率和理论保障而依然很受欢迎。

非当地手段(NLM)

NLM 利用自然图像的冗余性,平均修补出外观相似的补丁,即使它们相距遥远。 这一技术对热噪声和一些生理噪声很有效,但计算成本昂贵,如果不适当调谐,可以抹抹小结构。

变异(电视)共计

电视最小化假设真实图像的梯度是稀疏的。 通过惩罚溶液中的大梯度,电视解密可以在保护边缘的同时消除噪音。 然而,它可能会产生像皮层这样的连续解剖学中不可取的阶梯化文物(形状常数区域 ) 。

机器学习方法

深入学习的出现使神经成像中的噪声减少发生了革命性的变化. 革命神经网络(CNN)直接从数据中学习等级特征,使得它们比手动滤波器更有效地区分信号和噪声.

CNN 德诺瓦人组织

U-Net架构最初是为分解而设计的,但已经进行了调试。带有跳过连接的编码器-解码器结构既能捕捉全局背景,又能捕捉细微的细节。关于对齐的吵闹和清洁图像(或在无清洁图像时使用噪声对噪声策略)的培训,使得网络能够学习在恢复结构的同时抑制噪声的绘图。在儿科成像中,CNN在T1加权,T2加权,以及扩散加权图像上都取得了优异的性能.

遗传性辅助网络(GANs)

甘露娜利用发电机来制作脱口秀的图像,用歧视者从真实的清洁图像中辨别。 这种对抗性训练产生了感知现实的输出,尽管有时会以引入幻觉细节为代价。 对于儿科使用,忠贞至上,批评者们对“假”特征提出了担忧,这种特征可能误导诊断。

自我监督的和无监督的方法

为了避免对配对数据的需求,开发了“噪音2”、“噪音2”和“斯普利特-布雷格曼”等方法。 这些方法在儿科中特别有价值,因为儿童在获得地面真实的清洁图像方面受到运动和道德限制的挑战。

基于变形器的模型

视觉变形器(ViTs)和斯温变形器(Swin Transformers)现在被应用于医学影像去诺化。 他们的自我观察机制可以模拟远程依赖性,可能比CNN更能处理像Gibbs这样的结构化文物。 儿科脑磁共振的早期结果很有希望,尽管计算需求仍然很高。

挑战与未来方向

尽管取得了显著进展,但仍存在若干挑战。 首先,不同核磁共振扫描仪、现场力量和病人群体之间的通用性仍然难以实现。 3T扫描仪的数据集培训模型在1.5T扫描仪的图像或新生儿与青少年的对比上可能表现不佳。 正在探索域内适应技术和联合学习,以弥补这些差距。

其次,实时或近实时解密仍不标准,许多深层学习模型需要几秒到几分钟的处理,这在现场扫描时是不切实际的。 轻量级建筑,如MobileNet风格的解密器或大型模型的知识蒸馏器,需要临床部署。

第三,评价指标仍在争论之中。虽然高峰信号对噪音比率(PSNR)和结构相似性指数(SSIM)很常见,但它们并不总是与放射性感知相关。 正建议采用任务特定指标,如去声图像上的分化精度。

展望未来,可能会有几种趋势来塑造这个领域。 适应儿童头部尺寸、运动模式和具体病理的个性化去诺化[是一个活跃区域。 实时的运动补偿,利用扫描仪内摄像头的光学跟踪,正在被并入重建管道,从而减少了追溯去诺化的需要。 结合MRI和CT或PET的信息的多种方式聚变[[可以提供跨模式的降噪。最后,[ 物理知情神经网络将MRI信号方程纳入损失函数,以生成不仅是视觉清洁的、而且物理上可信的图像。

结论

开发降低儿科神经成像噪声的算法是一个动态和关键领域。从传统的波浪滤波到深层学习和变压器,每次进步都使我们更接近高分辨率和无文物的图像。小解剖、运动和生理噪声的独特挑战需要量身定制的解决方案,平衡噪声抑制与结构保存。随着机器学习模型的更有效和通用性,以及运动跟踪的硬件技术与算法创新的汇合,儿科神经成像的未来看起来更加光明。 这些工具不仅会提高诊断准确性,而且会减少镇静剂和重复扫描的需求,最终为年轻患者带来更好的结果。 成像科学家、放射学家和儿科医生之间的持续合作对于将这些算法进步转化为临床实践至关重要。