基于自注意力连接UNet的磁共振成像去吉布斯伪影算法

作者：刘阳; 陆志扬; 王骏; 施俊

来源：计算机应用, 2022, 1-8.

• 磁共振成像重建
• 深度学习
• 自蒸馏
• Transformer
• UNet
• 注意力机制

去除磁共振成像（MRI）中的吉布斯伪影对于临床诊断和后续治疗具有重要的作用。对于磁共振成像中的伪影去除问题，提出一种基于自蒸馏训练的自注意力连接UNet（SD-SacUNet）算法。为了缩小UNet框架中跳连接两端编码和解码特征之间的语义差距，帮助捕捉伪影的位置信息，将UNet编码端每个层级的输出特征分别输入到各自的自注意力连接模块进行自注意力机制的运算，而后与解码特征进行融合，参与特征的重建；在网络解码端进行自蒸馏训练，通过建立深层与浅层特征之间的相互约束，使得深层重建网络特征信息可以用于指导浅层网络的训练，并同时对整个网络进行优化，提升图像重建水平。在公开的磁共振成像数据集CC359上评估SD-SacUNet算法的性能，获得了峰值信噪比（PSNR）为30.26dB，结构相似性（SSIM）为0.9179的结果；与GRACNN相比，所提算法的PSNR提高了0.77dB,SSIM提高了0.0183;与SwinIR相比，所提算法的PSNR提高了0.14dB,SSIM提高了0.0041。实验结果表明，SD-SacUNet算法提升了磁共振成像去除吉布斯伪影的图像重建性能，具备潜在的应用价值。

• 单位
  通信与信息工程学院; 上海大学