基于微分顺序的混合中心Wishart (FMoCW) 模型,用于从扩散MRI中重建白质纤维
Ashishi Puri1, Snehlata Shakya2, Sanjeev Kumar3
1Department of Mathematics, Indian Institute of Technology Roorkee, Roorkee, 247667, Uttarakhand, India.
Psychiatry research. Neuroimaging
|June 24, 2023
概括
本研究介绍了Wishart中心 (FMoCW) 模型的新分量顺序混合物,用于从扩散MRI数据中重建白质纤维 (WMF). FMoCW模型准确地区分复杂的光纤方向,以减少角度误差优于现有的方法.
科学领域:
- 神经成像是一种神经成像.
- 生物物理学的生物物理.
- 计算神经科学是一种神经科学.
背景情况:
- 扩散MRI对于绘制大脑白质纤维 (WMFs) 非常重要.
- 精确重建WMF,特别是在复杂的地区,仍然具有挑战性.
- 现有的模型在很小的纤维角度和噪音方面扎.
研究的目的:
- 介绍一个用于重建WMFs的新算法.
- 提出一个新的微分顺序混合中心Wishart (FMoCW) 模型.
- 评估FMoCW模型的性能与已建立的方法相比.
主要方法:
- 开发了中央Wishart (FMoCW) 模型的分数顺序混合.
- 结合异常扩散的伪超扩散模式与中央Wishart (MoCW) 模型的混合.
- 在合成数据上测试模型,使用不同的噪声水平和真实数据集 (老鼠光学,人类大脑).
主要成果:
- FMoCW模型成功地从扩散MRI数据中重建了WMF.
- 它有效地区分了多个光纤方向,即使是小的角分离.
- 与高斯 (MoG),MoCW和混合非中心维沙特 (MoNCW) 模型的分数混合相比,实现了最小的角度误差.
结论:
- 拟议的FMoCW模型在WMF重建中提供了卓越的性能.
- 它在瑞士噪音的存在下表现出强性.
- 这一进步对神经成像分析和理解大脑连接有重大影响.
