Deep learning based architecture for the correction of artifacts in magnetic resonance imaging MRI
Cargando...
Autores
Tipo de contenido
Editor
Document language:
Inglés
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Resumen
Los artefactos periódicos, como ringing, herringbone y zipper, reducen la calidad visual y cuantitativa de las imágenes de resonancia magnética cerebral, afectando la interpretación anatómica y el análisis posterior de las imágenes. Además, la disponibilidad limitada de conjuntos de datos pareados con imágenes libres de artefactos y sus correspondientes versiones degradadas dificulta el entrenamiento y la evaluación sistemática de métodos de corrección basados en aprendizaje profundo. En este contexto, el objetivo de esta tesis fue diseñar, implementar y validar una arquitectura basada en aprendizaje profundo para la corrección automática de artefactos periódicos en imágenes MRI cerebrales.
La metodología propuesta comprende tres componentes principales. En primer lugar, se desarrolló un procedimiento reproducible para generar sintéticamente artefactos periódicos con severidad controlable en el espacio k. En segundo lugar, se incorporó una etapa de alineación guiada por la transformada de Radon para normalizar la orientación dominante de los patrones antes del proceso de aprendizaje. En tercer lugar, se diseñó una arquitectura basada en U-Net con mecanismos de atención y procesamiento en el dominio wavelet, utilizando una DWT 2D para descomponer cada imagen en las bandas AA, AD, DA y DD, junto con una función de pérdida ponderada por bandas para enfatizar la corrección de componentes de alta frecuencia.
La evaluación se realizó sobre volúmenes T1 ponderados de MRI cerebral 3T del DLBS, degradados mediante artefactos sintéticos. El desempeño fue analizado mediante métricas globales de calidad de imagen, como SSIM y PSNR, métricas por banda wavelet, comparación con arquitecturas base, estudios de ablación, pruebas con artefactos mixtos y análisis de preservación estructural. Los resultados muestran que el enfoque propuesto mejora la fidelidad estructural y reduce los patrones periódicos, alcanzando un SSIM de 0.985 ± 0.022 y un PSNR de 43.337 ± 5.364, con una reducción más marcada del error en bandas de alta frecuencia. Estos resultados sugieren que la combinación de alineación orientada por Radon y corrección en el dominio wavelet permite mitigar artefactos periódicos sintéticos mientras se limita el sobresuavizado de las estructuras anatómicas.
No obstante, los resultados deben interpretarse dentro de un entorno experimental controlado, basado en artefactos generados sintéticamente y sin validación clínica directa sobre imágenes adquiridas con artefactos reales. En conjunto, esta tesis aporta un marco reproducible para la simulación, corrección y evaluación de artefactos periódicos en MRI cerebral, y establece una base metodológica para futuros estudios orientados a validación clínica y generalización en escenarios de adquisición más heterogéneos. (Texto tomado de la fuente)
Abstract
Periodic artifacts, such as ringing, herringbone, and zipper, reduce the visual and quantitative quality of brain magnetic resonance images, affecting anatomical interpretation and subsequent image analysis. In addition, the limited availability of paired datasets containing artifact-free images and their corresponding degraded versions hinders the training and systematic evaluation of deep learning-based correction methods. In this context, the objective of this thesis was to design, implement, and validate a deep learning-based architecture for the automatic correction of periodic artifacts in brain MRI images.
The proposed methodology comprises three main components. First, a reproducible procedure was developed to synthetically generate periodic artifacts with controllable severity in kspace. Second, a Radon transform-guided alignment stage was incorporated to normalize the dominant orientation of the patterns before the learning process. Third, a U-Net-based architecture with attention mechanisms and wavelet-domain processing was designed, using a 2D DWT to decompose each image into the AA, AD, DA, and DD bands, together with a band-weighted loss function to emphasize the correction of high-frequency components.
The evaluation was performed on 3T T1-weighted brain MRI volumes from the DLBS, degraded with synthetic artifacts. Performance was analyzed using global image quality metrics, such as SSIM and PSNR, wavelet-band metrics, comparison with baseline architectures, ablation studies, mixed-artifact stress tests, and structural preservation analysis. The results show that the proposed approach improves structural fidelity and reduces periodic patterns, achieving an SSIM of 0.985 ± 0.022 and a PSNR of 43.337 ± 5.364, with a more pronounced reduction of error in high-frequency bands. These results suggest that the combination of Radon-guided alignment and wavelet-domain correction can mitigate synthetic periodic artifacts while limiting the over-smoothing of anatomical structures.
Nevertheless, the results should be interpreted within a controlled experimental setting, based on synthetically generated artifacts and without direct clinical validation on images acquired with real artifacts. Overall, this thesis provides a reproducible framework for the simulation, correction, and evaluation of periodic artifacts in brain MRI, and establishes a methodological basis for future studies focused on clinical validation and generalization to more heterogeneous acquisition scenarios.
Descripción
Ilustraciones
Palabras clave propuestas
Términos Normalizados
Resonancia magnética en imágenes; 000 - Ciencias de la computación, información y obras generales::003 - Sistemas; 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores; 000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computación; Aprendizaje profundo (Inteligencia artificial); Transformaciones de Radón; Transformada de Wavelet