Application of Super Resolution Convolutional Neural Networks for correcting Magnetic Resonance Imaging (MRI) artifacts

Abstract

Artifacts are false structures or contrast disturbances seen in magnetic resonance (MR) images. They can be a source of wrong diagnosis, so it is important to detect or correct them if possible. We can classify them into three groups according to the origin of the problem: the molecular physics of the scanned tissues, the behavior of the patients, and the MR scanner or the sequences/ techniques used to create the images. As with many other imaging-related applications, the development of Deep Learning others new opportunities in the area of medical imaging. Here we examine the potential of super-resolution convolutional neural networks for quality assurance (QA) enhancement of magnetic resonance images. In particular, for the correction, or attenuation of artifacts, and also noise and blur image defects in brain MR images. To our knowledge, this approach has not been performed before. In addition to these computational aspects, we give a physical description of the MR phenomenon and the image formation process. This will give us the basis for understanding the occurrence of artifacts and the diferent features related to magnetic resonance imaging used for medical diagnosis.

Los artefactos son falsas estructuras o alteraciones del contraste que se observan en las imágenes de resonancia magnética (RM). Pueden ser una fuente de diagnósticos erróneos, por lo que es importante detectarlos o corregirlos si es posible. Podemos clasificarlos en tres grupos según el origen del problema: la física molecular de los tejidos escaneados, el comportamiento de los pacientes y el escáner de RM o las secuencias/técnicas utilizadas para crear las imágenes. Al igual que con muchas otras aplicaciones relacionadas con la imagen, el desarrollo del Deep Learning ofrece nuevas oportunidades en el área de la imagen médica. En este caso examinamos el potencial de redes neuronales convoluciones de super resolución para la mejora de la calidad de la imagen de RM. En particular, para la corrección, o atenuación de artefactos y de los defectos de imagen de ruido y emborronamiento de imágenes de RM cerebrales. Hasta lo que nosotros sabemos, este enfoque no se ha realizado con anterioridad. Además de estos aspectos computacionales, se realiza una descripción física del fenómeno de la resonancia magnética y del proceso de formación de imágenes. Esto nos dará las bases para entender la aparición de los artefactos y las diferentes características relacionadas con las imágenes de resonancia magnética utilizadas para el diagnóstico médico.