創新邊緣偵測去噪神經網路：提升擴散張量影像訊雜比

Abstract

在近十年來，擴散張量成像技術藉由其能夠計算大腦水分子的擴散程度和方向，進而標示神經連結走向的能力，在神經科學及臨床使用上成為不可或缺的工具。 然而擴散張量成像對於影像品質相當要求，過低的影像訊雜比或是解析度都會造成判讀的困難，提升解析度的同時又會造成訊雜比的下降。因此本論文的研究主要目的就是藉由創新的神經網路後處理方式對擴散張量成像進行背景噪音的去除，從而增加影像的訊雜比，並且保留原影像的特徵。 首先，我們將試驗於大鼠的腦成像，藉由提高影像平均次數來獲取高訊雜比的擴散張量圖當作神經網路學習的標的，縱使這會花費較多時間，不過對於神經網路的學習將會有正向的幫助。接下來將會收取低平均次數的影像來當作訓練資料集，藉由殘差學習的方式讓神經網路學習擴散張量成像的背景噪音模式，最後將可以得到去噪後的結果。 在訓練完神經網路之後再取測試集來進行驗證，驗證項目包括進行擴散分析前結構影像的影像相似度，以及分析後會產生的不等向性分率圖、神經走向圖以及與目標圖的角度差異，藉由這些量化指標證明此神經網路的成果足以可信。以目前結果而言，我們的神經網路成果的確可以對大鼠腦的擴散張量影像有相當顯著的去噪效果，可以將訊雜比從30提升至90，等效減少9倍的掃描時間。 不過因為醫學影像資料集的匱乏和取得不易，對於本次所訓練出的模型使用上將有一定限制，包括輸入影像的訊雜比以及掃描位置等各項參數。儘管如此對於適用圖像的各種量化分析方法的計算顯示，在圖像域中影像相似度達到0.984，與標準圖像角度差也達到16.076度，而這個結果是優於過去模型的成效。 總的來說，本論文提供一個對於擴散張量成像之去噪有相當成果的一個神經網路模型，若可以持續擴大訓練資料集，對於神經科學與心理研究和臨床判讀上有莫大的助力。