Noise removal in synthetically generated diffusion tensor imaging data using a denoising autoencoder

Abstract

Diffusjonstensor avbildning (DTI) er en populær medisinsk avbildningsteknikk som kartlegger diffusjonen av vannmolekyler i biologisk vev. Målte DTI-data er forurenset av støy, og temaet for dette prosjektet var å utforske måter å fjerne denne støyen på. En denoising autoencoder er en algoritme som har vist seg å være effektiv til å fjerne støy fra bilder, og har blitt brukt til å fjerne støy fra medisinske bilder, med gode resultater. Denne rapporten undersøker om en denoising autoencoder også kan brukes til å fjerne støy fra DTI-data. Vi beskriver hvordan vi implementerte et enkelt eksempel på en denoising autoencoder i et dataprogram, og hvordan den ble brukt til å fjerne støy fra syntetisk genererte DTI-data. Effektiviteten av den implementerte algoritmen ble sammenlignet med total variation denoising. Resultatene våre stemmer overens med påstanden om at en denoising autoencoder er en effektiv algoritme for å fjerne støy fra medisinske bilder.

Diffusion Tensor Imaging (DTI) is a popular medical imaging technique that maps the diffusion of water molecules in biological tissue. Measured DTI data is contaminated by noise, and the topic of this project was to explore ways of removing this noise. A denoising autoencoder is an algorithm that has proven to be effective at denoising images, and has been used successfully for medical image denoising. This report investigates whether denoising autoencoders can be used to remove noise from DTI data as well. We describe how we implemented a simple example of a denoising autoencoder in a computer program, and how it was used to denoise synthetically generated DTI data. The performance of the denoising autoencoder was compared to total variation denoising. Our results agree with the statement that denoising autoencoders are effective at removing noise from medical images.