著者

室 伊三男 清水 俊太郎 塚本 ひかり

出版者

公益社団法人 日本放射線技術学会

雑誌

日本放射線技術学会雑誌 (ISSN:03694305)

巻号頁・発行日

vol.78, no.1, pp.13-22, 2022

被引用文献数

3

---

<p>【目的】深層学習によるモーションアーチファクト(以下,アーチファクト)削減のアプローチが脳MR画像に有効かを検証する.【方法】本研究ではアーチファクトを含んだ画像と含んでいない画像が学習データとして大量に必要である.臨床画像で学習データを集めるには多くの労力と時間を要して困難である.われわれは脳のアーチファクト画像をシミュレーションによって作成した.ボランティア20人の動きのない頭部画像を取得し,この画像を使用してアーチファクトの異なる画像をシミュレーションによって作成して深層学習を行う.得られた学習モデルのアーチファクト除去効果の検証は,別途テストデータを作成し,テストデータの入力画像と出力画像間のピーク信号対雑音比(peak signal-to-noise ratio: PSNR)と構造的画像類似性(structural similarity: SSIM)を3種類のデノイジング手法で比較した.使用したニューラルネットワークはU-shaped fully convolutional network(U-Net),denoising convolutional neural network(DnCNN)とwide inference network and 5 layers Residual learning and batch normalization(Win5RB)である.【結果】アーチファクト除去効果はU-Netが最も高く,SSIMの平均値は0.978, PSNRの平均値は32.5であった.【結語】本法は脳MRI画像の画質を劣化させずにアーチファクトを軽減できる有効な方法である.</p>

著者

塚本 ひかり 室 伊三男

出版者

公益社団法人 日本放射線技術学会

雑誌

日本放射線技術学会雑誌 (ISSN:03694305)

巻号頁・発行日

vol.77, no.5, pp.463-470, 2021 (Released:2021-05-20)

参考文献数

8

被引用文献数

2

---

Purpose: We focused on deep learning for a reduction of motion artifacts in MRI. It is difficult to collect a large number of images with and without motion artifacts from clinical images. The purpose of this study was to create motion artifact images in MRI by simulation. Methods: We created motion artifact images by computer simulation. First, 20 different types of vertical pixel-shifted images were created with different shifts, and the amount of pixel shift was set from –10 to 10 pixels. The same method was used to create pixel-shifted images for horizontal shift, diagonal shift, and rotational shift, and a total of 80 types of pixel-shifted images were prepared. These images were Fourier transformed to create 80 types of k-space data. Then, phase encodings in these k-space data were randomly sampled and Fourier transformed to create artifact images. The reproducibility of the simulation images was verified using the deep learning network model of U-net. In this study, the evaluation indices used were the structural similarity index measure (SSIM) and peak signal-to-noise ratio (PSNR). Results: The average SSIM and PSNR for the simulation images were 0.95 and 31.5, respectively; those for the clinical images were 0.96 and 31.1, respectively. Conclusion: Our simulation method enables us to create a large number of artifact images in a short time, equivalent to clinical artifact images.