基于像素域和K空间域联合先验的无监督运动伪影去除方法

《Neural Networks》：Unsupervised Motion Artifact Purification Guided by Joint Prior from Pixel and K-space Domains

　　摘要
磁共振成像（MRI）在临床诊断中扮演着重要角色，然而，在许多实际场景中，它会受到运动伪影的干扰。去除运动伪影可以减轻这种干扰，从而有助于实现精准诊断。然而，最近的研究主要依赖于配对数据，而k空间（频域）中的伪影扰动尚未得到足够的关注。在这项工作中，我们提出了一种无监督的净化方法，该方法利用噪声MRI图像的k空间信息作为指导，通过预训练的扩散模型来获取清晰的MRI图像。具体来说，运动伪影主要由k空间中的高频成分携带，因此可以利用低频成分作为指导来恢复正确的组织纹理。同时，考虑到高频和像素信息对于细化形状和纹理细节仍然很有价值，我们设计了交替的互补掩模，在破坏它们伪影结构的同时利用这些有用信息。此外，我们提出了一种先验均值库作为稳定的去噪参考，有效提高了伪影去除的性能。我们在来自不同身体部位的三组数据集上进行了实验，以评估所提出方法的有效性，结果表明我们的方法在多个定量指标和定性临床评估中表现优异。

引言
作为一种非侵入性医学成像技术，磁共振成像（MRI）已广泛应用于医疗领域，并在临床诊断中发挥着重要作用。然而，其扫描通常需要较长的获取时间（Zaitsev等人，2015年）。在扫描过程中，一些患者，如老年人或有幽闭恐惧症和癫痫等状况的患者（Chen，1990年），可能由于不适或无法控制而产生运动。这些运动可能会干扰MRI的k空间（也称为频域）信号分布，导致运动伪影，进一步严重干扰临床诊断和治疗。因此，如何有效净化运动伪影以减轻其影响是一个重要任务，这也是本文研究的重点。
先前的几项研究已经探索了这一问题（Hu, Guo, Zhou, Wang, Dai, Li, Li, Zhang, Long, Yu等人，2024a；Hu, Zhou, Xu, Lu, Han, Shi, Zhu, Gao, Wang, Liu，2024b；Schulz, Siegert, Reimer, Labadie, Maclaren, Herbst, Zaitsev, Turner，2012；Zaitsev, Dold, Sakas, Hennig, Speck，2006）。这些研究主要分为前瞻性运动伪影预防和回顾性运动伪影净化两类。前者致力于通过跟踪运动来主动避免运动伪影的产生（Ehman, McNamara, Pallack, Hricak, Higgins，1984；Qin, van Gelderen, Derbyshire, Jin, Lee, de Zwart, Tao, Duyn，2009；Schulz, Siegert, Reimer, Labadie, Maclaren, Herbst, Zaitsev, Turner，2012；Zaitsev, Dold, Sakas, Hennig, Speck，2006），例如通过调整成像序列和参数（Block, Uecker, Frahm，2007；Cruz, Atkinson, Buerger, Schaeffter, Prieto，2016；Cruz, Atkinson, Henningsson, Botnar, Prieto，2017；Vasanawala, Iwadate, Church, Herfkens, Brau，2010b；White, Hawkes, Melbourne, Collins, Coolens, Hawkins, Leach, Atkinson，2009）。然而，这些策略通常需要额外的设备或更长的扫描时间，从而导致更高的成本。后者旨在使用压缩感知迭代纠正运动伪影（Hansen, S?rensen, Arai, Kellman，2012；Jin, Um, Lee, Lee, Park, Ye，2017；Küstner, Würslin, Schwartz, Martirosian, Gatidis, Brendle, Seith, Schick, Schwenzer, Yang等人，2017；Vasanawala, Alley, Hargreaves, Barth, Pauly, Lustig，2010a；Yang, Zhang, Xie，2013）。然而，这些策略通常需要难以获取的原始k空间数据，而这数据障碍给模型的构建带来了挑战。此外，传统方法严重依赖于配对数据进行完全监督训练（Isola, Zhu, Zhou, Efros，2017；Tamada, Kromrey, Ichikawa, Onishi, Motosugi，2020），但由于身体部位的运动和器官在重新扫描时的自然运动，获取精确配对数据既困难又成本高昂。同时，各种机器学习模型在建模复杂的非线性模式方面表现出很强的能力，如神经网络（Jin, Xu，2025a；Jin, Xu，2025b）、高斯过程回归（Jin, Xu，2024；Jin, Xu，2025c）、图形技术（Jin, Xu，2025d；Jin, Xu，2026）、集成方法（Xu，2020；Xu, Zhang，2021a）和基于网络的技术（Xu, Zhang，2021b；Xu, Zhang，2023）。然而，MRI运动伪影通常与结构化的k空间扰动相关，这些扰动难以直接使用一般的机器学习方法进行建模和纠正。因此，具有渐进式细化能力的生成模型更适合这项任务，特别是扩散模型。
最近，深度学习方法（Zhang, Li, Jia, Zhang, Tao, Liang，2025a；Zhang, Li, Zhang, Han, Tao, & Liang, Zhang, Liang, Li, Ma, Xu, Ma, Xie, Li, Zhang, Tao等人）和去噪扩散概率模型（DDPM）在图像生成方面表现出优异的性能（Dhariwal, Nichol，2021；Ho, Jain, Abbeel，2020；Ho, & Salimans, Rombach, Blattmann, Lorenz, Esser, Ommer，2022；Saharia, Chan, Chang, Lee, Ho, Salimans, Fleet, Norouzi，2022a；Song, Meng, & Ermon）。研究表明，将图像（Dhariwal, Nichol，2021；Rombach, Blattmann, Lorenz, Esser, Ommer，2022；Saharia, Chan, Chang, Lee, Ho, Salimans, Fleet, Norouzi，2022a）或文本（Gao, Xu, Zhao, Liu，2024；Ho, & Salimans, Nichol, Dhariwal, Ramesh, Shyam, Mishkin, McGrew, Sutskever, & Chen, Ramesh, Dhariwal, Nichol, Chu, & Chen, Saharia, Chan, Saxena, Li, Whang, Denton, Ghasemipour, Gontijo Lopes, Karagol Ayan, Salimans，2022b；Si, Huang, Jiang, & Liu, Tumanyan, Geyer, Bagon, Dekel，2023；Zhang, Rao, Agrawala，2023）作为DDPM逆过程的指导，可以促进其根据特定要求生成所需的图像。然而，尽管基于扩散的方法在重建或净化自然图像方面表现良好，但在净化MRI图像的运动伪影方面仍然能力有限。这是因为运动伪影主要来源于k空间中的特定成分，而这些方法在净化过程中仅关注像素域信息。
为了解决上述问题，我们旨在通过联合利用像素域和k域的先验知识，通过无监督机制来净化MRI图像中的运动伪影。如图1所示，我们首先利用未配对的清晰MRI图像构建一个预训练的扩散模型，该模型学习了无运动伪影的MRI图像的数据分布和生成映射。其次，我们提取输入噪声图像的k空间低频成分，并将其作为条件指导，以帮助扩散模型生成清晰且正确的组织纹理。同时，由于高频成分和像素信息对于细化形状和纹理细节仍然很有价值，我们为它们设计了交替的互补掩模机制，旨在在破坏运动伪影结构的同时利用这些有用信息。掩模在每个反向步骤中翻转，以交替覆盖所有图像区域。接下来，我们引入一个随扩散时间变化的参数，进一步破坏伪影的分布。此外，我们提出了一种先验均值库，该均值库将清晰图像聚类，以建立统计上稳定的参考先验，从而在扩散模型的逆过程中提供可靠的指导，实现准确的结构恢复。为了证明我们所提出方法的有效性，我们在覆盖不同身体部位的三组数据集上进行了定量指标评估和定性临床评估。
主要贡献总结如下：
- 为了在没有配对数据的情况下减轻MRI图像的运动伪影干扰，我们提出了一种称为MAPPK的无监督运动伪影净化方法，该方法利用像素域和k域的先验知识构建扩散模型。
- 为高频和像素成分设计了交替的互补掩模，以在保留有用信息的同时抑制伪影，以便恢复清晰信号。两个参数动态调整来自噪声图像和生成图像的指导比例，分别权衡来自像素域和频域的恢复信号，从而同时促进伪影去除和图像质量。
- 我们引入了一种先验均值库，该均值库从聚类的清晰MRI图像中构建稳健的参考先验，指导扩散模型在逆过程中实现准确的结构恢复。
- 除了在带有模拟伪影的数据集上进行定量评估外，我们还在带有不同程度实际运动伪影的收集MRI数据上进行了实验，并委托多名放射科医生进行临床评估。
本文在几个方面扩展了我们之前的工作（Xu等人，2025年）：1）方法论：我们引入了一种先验均值库，该均值库从聚类的清晰MRI图像中构建统计上稳定的参考先验，以指导扩散模型进行准确的结构恢复，并结合残差连接来改进逆扩散过程，从而进一步抑制伪影的影响。此外，我们从中间时间步开始逆过程以加速推理。2）实验：我们将评估扩展到带有严重运动伪影的MRI数据，以证明我们方法的有效性和鲁棒性，并进行消融研究以验证先验均值库、掩模和动态指导参数的贡献。3）任务场景：我们提出使用不同的频率阈值来处理具有不同程度实际运动伪影的复杂临床数据。由于我们方法的灵活性，我们可以在不需要额外训练的情况下执行此过程。

章节片段
MRI运动伪影
先前的研究（Budde等人，2014年）报告称，患者在MRI扫描过程中的运动会沿着特定的相位编码线引入k空间错误，导致图像模糊或出现重影伪影。因此，参考Oh等人（2023年）的研究，我们 adopts 一个宽松的假设，即MRI图像中的运动伪影主要表现在相位编码线的高频区域。这是因为k空间数据采集通常从中心区域开始。

注意事项
我们使用小写粗体字母x∈R1×H×W来表示图像。此外，我们使用t表示扩散模型经过的时间步长，T表示总的时间步长数，其中t∈{1,…,T}。我们使用N(·;μ,σ2I)来表示遵循均值为μ和方差矩阵为σ2I的变量。我们用Dθ表示扩散模型，其中θ是其模型参数。我们用F表示傅里叶变换，F?1表示逆傅里叶变换，Φl和Φh表示...
实验数据集
我们使用三个MRI数据集来评估和验证所提出的MAPPK方法。

模拟图像的定量评估
图5显示了不同方法在模拟图像上的视觉比较。输入图像（A）明显显示出由运动引起的结构扭曲和条纹伪影。Pix2pix（B）引入了局部变形并生成了不准确的纹理结构。CycleGAN（C）无法有效去除运动伪影，尤其是在组织对比度细微的区域往往会产生模糊。UDDN（D）对图像结构的保留有限，并生成了伪纹理。DR2（E）倾向于...
结论
在本文中，我们提出了一种新颖的扩散模型推理框架，用于运动伪影去除，进一步扩展了我们之前的工作。具体来说，通过引入像素-频率域中的交替互补掩模，并使用先验均值库作为稳定的高频指导，我们可以有效地利用部分图像信息，通过扩散模型的强大生成能力重建清晰图像。与我们的之前的工作相比，我们还构建了一个...
CRediT作者贡献声明
Jiahua Xu：撰写 – 原始草稿，方法论，数据整理。
Dawei Zhou：撰写 – 原始草稿，方法论，形式分析。
Lei Hu：验证，数据整理。
Jianfeng Guo：可视化，数据整理。
Feng Yang：可视化。
Zaiyi Liu：撰写 – 审阅与编辑，监督。
Nannan Wang：撰写 – 审阅与编辑，监督，项目管理，资金获取。
Xinbo Gao：撰写 – 审阅与编辑，监督。

利益冲突声明
本文报告的工作没有已知的竞争性财务利益或个人关系可能对其产生影响。
Jiahua Xu|Dawei Zhou|Lei Hu|Jianfeng Guo|Feng Yang|Zaiyi Liu|Nannan Wang|Xinbo Gao