编辑推荐：
磁共振成像（MRI）中的运动伪影影响图像质量，现有方法存在局限。研究人员开展基于 U-Net 的回归网络去除伪影的研究，发现添加批归一化（BN）和随机失活（Dropout）层可显著提升网络精度。这为改善 MRI 图像质量提供了新策略。
在医学诊断的广阔领域中，磁共振成像（Magnetic Resonance Imaging，MRI）就像是一位神通广大的 “透视眼”，能够帮助医生清晰地看到人体内部的结构，无论是肿瘤的蛛丝马迹，还是血液流动的异常情况，都能被它敏锐地捕捉到。然而，这位 “透视眼” 也有自己的烦恼 —— 运动伪影。想象一下，当患者在检查过程中不小心动了一下，原本清晰的图像瞬间变得模糊不清，就像美丽的画卷被泼上了墨汁，这不仅会干扰医生的准确判断，延长检查时间，还可能导致误诊，给患者带来不必要的痛苦。
传统的应对方法，比如呼吸门控技术，虽然能在一定程度上减少呼吸运动对图像的影响，让患者不用长时间憋气，减轻了一些不适，但它也存在着弊端，扫描时间可能会延长，而且无法对已经采集好的图像进行后期处理。还有 PROPELLER 技术，通过独特的数据采集方式来降低伪影的出现，但同样面临着扫描时间增加等问题。在这样的困境下，深度学习技术就像一位英勇的 “救星”，走进了人们的视野。其中，U-Net 作为深度学习领域的 “明星网络”，在医学图像分割和生成方面表现出色，为解决 MRI 伪影问题带来了新的希望。
来自日本信州大学医院放射科、群马县立保健科学大学放射技术系等机构的研究人员，决心攻克这一难题。他们开展了一项极具意义的研究，旨在探究将批归一化（Batch Normalization，BN）和随机失活（Dropout）层融入基于 U-Net 的回归网络，能否有效去除 MRI 图像中的运动伪影。最终，他们的研究取得了令人欣喜的成果。研究表明，添加 BN 和 Dropout 层后，网络的准确性得到了显著提升，重建图像的峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）几乎翻倍，结构相似性指数（Structural Similarity Index，SSIM）提高了约 10%。这一成果发表在《BMC Medical Imaging》上，为 MRI 图像质量的改善开辟了新的道路。
在研究过程中，研究人员运用了多种关键技术方法。他们使用 MAGNETOM Prisma 3.0T MRI 扫描仪对多卡拉胶 - 琼脂糖 - 钆 - 氯化钠（multi-CAGN）模型进行扫描，获取了 1200 张 T2加权 2D 图像，包括有运动伪影和无运动伪影的图像。通过 MATLAB R2021b 软件进行数据分析，利用 GPU（GEFORCE GTX 1070）加速计算。为了创建仅包含伪影成分的差异图像，他们先对图像进行位置校正，再用有伪影的图像减去无伪影的图像。之后，调整 BN 和 Dropout 层的位置和参数，构建了三种不同的 U-Net 网络变体，并与 Transformer 网络进行对比。在训练过程中，采用 Adam 优化器，设置合适的学习率、梯度衰减系数等参数，并运用早期停止策略，防止模型过拟合。
研究结果
- 网络变体的构建与训练：研究人员精心构建了三个基于 U-Net 的网络变体。Network 1 仅对 U-Net 的最后一层进行修改，将其变为回归层；Network 2 在 U-Net 的编码器和解码器的卷积层前添加 BN 和 Dropout 层（Dropout 率为 0.1 或 0.2）；Network 3 在 U-Net 解码器的最后一个 ReLU 激活函数后添加 BN 和 Dropout 层（Dropout 率为 0.5）。通过对这些网络进行训练，研究人员发现，不同的网络结构对伪影去除效果有着显著影响。
- 评估指标的对比：研究人员使用 PSNR 和 SSIM 这两个重要指标来评估图像质量。经过多次训练和测试，结果显示，与含有伪影的图像相比，采用所提方法重建的图像 PSNR 大约翻倍，SSIM 提高约 10%。进一步的统计分析表明，Network 1 与 Network 2、Network 1 与 Network 3 之间在 PSNR 和 SSIM 值上均存在显著差异（p<0.01），而 Network 2 和 Network 3 之间差异不明显。同时，Transformer 网络与这三个 U-Net 网络变体相比，在 PSNR 和 SSIM 值上也存在显著差异。从视觉效果上看，除了 Transformer 网络和 Network 1，其他网络的伪影估计都较为成功。
研究结论与讨论
综合来看，这项研究成功地证明了将 BN 和 Dropout 层融入基于 U-Net 的网络中，能够有效提高去除 MRI 图像运动伪影的准确性。在实际应用中，这一成果具有重要意义。它不仅可以减少因伪影导致的图像重拍和冗长的图像重建过程，大大缩短患者的检查时间，减轻患者的负担，还为医学影像领域的发展提供了新的技术支持，有望在各种医学诊断中发挥重要作用。
不过，研究也存在一定的局限性。此次研究仅针对简单的模型图像，未来若应用于临床人体图像，任务会更加复杂，还需要进一步探索。而且，医学图像数据量庞大，对计算资源要求高，如何优化程序以适应这种高负荷计算，尤其是在需要实时处理的情况下，仍是一个亟待解决的问题。但无论如何，这项研究为后续的相关研究奠定了坚实的基础，激励着更多的科研人员在改善 MRI 图像质量的道路上不断探索前行。
