基于层次卷积的多层感知技术用于3D MRI去噪，以提高脑小血管疾病诊断的可靠性

《Phenomics》：Hierarchical Convolution-Based Multilayer Perception for Denoising 3D MRI to Enhance Diagnostic Confidence in Cerebral Small Vessel Disease

　　Cerebral small vessel disease (CSVD)的MRI图像质量受噪声干扰影响诊断，HC-MLP模型通过MLP模块减少偏差、简化结构提升泛化能力、残差结构解决过度平滑，在UK Biobank和ATLAS数据集上显著优于现有方法，PSNR和SSIM提升6.91%-3.67%，且经 radiologists 验证有效恢复关键CSVD特征，提升诊断置信度。

　　

摘要

磁共振（MR）图像中的脑小血管疾病（CSVD）表现是准确诊断的重要指标。然而，MR图像中的噪声会显著降低图像质量，从而影响病变检测和疾病诊断的准确性。尽管基于残差结构的深度学习在MR去噪任务中展现出潜力，但目前的方法仍面临诸多挑战，如模型收敛性问题、有限的泛化能力以及过度平滑现象，这些问题共同阻碍了去噪性能的提升。我们的目标是通过引入一种名为分层卷积多层感知器（HC-MLP）的新模型来提升去噪性能，该模型专门设计用于提高CSVD的诊断信心。我们的HC-MLP框架包含三个主要组成部分：1）引入MLP模块可以减轻纯CNN模型带来的偏差；2）MLP和卷积神经网络（CNN）的简洁结构简化了训练过程并提高了泛化能力；3）采用体素级输入并整合残差MLP结构部分解决了过度平滑问题。我们在两个公共数据集（英国生物银行数据集和中风后病变的解剖追踪数据集ATLAS）以及一个外部数据集上进行了广泛实验以验证HC-MLP的有效性。共选取了120张来自英国生物银行的脑部MRI扫描图像和120张来自ATLAS的患有CSVD的脑部MRI扫描图像用于模型训练和测试。在外部测试中，涵盖了29名具有不同CSVD特征的受试者。评估模型性能的指标包括峰值信噪比（PSNR）、结构相似性指数（SSIM）和归一化均方误差（NMSE）。采用Mann–Whitney-Wilcoxon双侧检验进行评分比较。此外，两位资深放射科医生也对去噪效果进行了评分。实验结果表明，HC-MLP显著优于多种现有的去噪算法，在PSNR（英国生物银行数据集提高了6.91%，ATLAS数据集提高了5.31%）和SSIM（英国生物银行数据集提高了3.67%，ATLAS数据集提高了2.27%）方面取得了显著提升。CSVD的恢复结果进一步证明了HC-MLP的优越性能。此外，放射科医生的评估也证实了HC-MLP的有效性。所提出的HC-MLP不仅在3D MR图像去噪方面取得了显著提升，还成功恢复了可能因MR图像中的模拟噪声而受损的CSVD关键特征，从而提高了CSVD的诊断信心。