A Probabilistic Hadamard U-Net for MRI Bias Field Correction

MRI分析中，磁场不均匀性校正仍然是一个具有挑战性的任务。大多数已建立的技术都是针对脑部MRI设计的，假设相同组织中的图像强度遵循均匀分布。这种假设不能轻易地应用于其他器官，特别是那些尺寸较小、质地异质（强度变化大）的器官，如前列腺。为了解决这个问题，本文提出了一种用于前列腺MRI偏差场校正的概率哈达玛U-Net（PHU-Net）。首先，引入了一种新颖的哈达玛U-Net（HU-Net）来提取低频标量场，将其乘以原始输入以获得原型校正图像。HU-Net通过哈达玛变换将输入图像从时域转换到频域。在频域中，使用可训练的滤波器（缩放层）、硬阈值层和稀疏惩罚来消除高频分量。接下来，使用条件变分自编码器将可能的偏差场校正变体编码为低维潜在空间。从潜在空间中抽取的随机样本随后与原型校正图像结合，生成多个合理的图像。实验结果表明，PHU-Net在快速推理速度下纠正了前列腺MRI偏差场的有效性。还表明，从PHU-Net获得的高质量校正图像可以提高前列腺MRI分割的准确性。本文的最终版本将提供代码。

论文旨在解决MRI分析中磁场不均匀性校正的问题，特别是在前列腺等小型、异质性组织的情况下。

论文提出了一种新的概率Hadamard U-Net（PHU-Net）方法，通过Hadamard变换将输入图像从时域转换到频域，利用可训练的滤波器、硬阈值层和稀疏惩罚来消除高频分量，然后使用条件变分自编码器将可能的校正变体编码到低维潜在空间中，最后将随机样本与原始校正图像结合生成多个合理的图像。

实验结果表明，PHU-Net在前列腺MRI校正中具有快速推断速度和有效性，使用高质量的校正图像可以提高前列腺MRI分割的准确性。该论文的代码将在最终版本中公开。

最近在该领域中的相关研究包括：'Multi-Atlas-Based MRI Prostate Segmentation with Fully Convolutional Networks'、'Deep Learning for MRI Prostate Segmentation: A Two-Stage Approach'等。