Denoising very low-field magnetic resonance images using native noise modeling
Notice bibliographique
Résumé
Low-field MRI is gaining interest, especially in low-resource settings, due to its low cost, portability, small footprint, and low power consumption. However, it suffers from significant noise, limiting its clinical utility. This study introduces native noise denoising (NND), which leverages the inherent noise characteristics of the acquired low-field data. By obtaining the noise characteristics from corner patches of low-field images, we iteratively added similar noise to high-field images to create a paired noisy-clean dataset. A U-Net based denoising autoencoder was trained on this dataset and evaluated on three low-field datasets: the M4Raw dataset (0.3T), in vivo brain MRI (0.05T), and phantom images (0.05T). The NND approach demonstrated improvements in signal-to-noise ratio (SNR) of 32.76%, 19.02%, and 8.16% across the M4Raw, in vivo and phantom datasets, respectively. Qualitative assessments, including difference maps, line intensity plots, and effective receptive fields, suggested that NND preserves structural details and edges compared to random noise denoising (RND), indicating potential enhancements in visual quality. This substantial improvement in low-field imaging quality addresses the fundamental challenge of diagnostic confidence in resource-constrained settings. By mitigating the primary technical limitation of these systems, our approach expands the clinical utility of low-field MRI scanners, potentially facilitating broader access to diagnostic imaging across resource-limited healthcare environments globally.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».