来自结构成像的高分辨率扩散的多重意识合成.
Benoit Anctil-Robitaille1, Antoine Théberge2, Pierre-Marc Jodoin2
1The Shape Lab, Department of Computer and Software Engineering, ETS Montreal, Montreal, QC, Canada.
Frontiers in neuroimaging
|August 9, 2023
概括
这项研究引入了一个新的里曼网络,可以从T1w扫描中生成详细的扩散MRI图像. 这种方法确保了物理可信的扩散数据,提高了准确性,并使更好的大脑白质结构探索成为可能.
科学领域:
- 神经成像是一种神经成像.
- 医学图像分析 医学图像分析
- 计算神经科学是一种神经科学.
背景情况:
- 与T1w图像相比,扩散权重成像 (DWI) 的空间分辨率有限.
- 高分辨率T1w图像包含有价值的信息,用于增强DWI细节.
- 当前的深度生成模型与扩散成像的非欧几里德性质作斗争.
研究的目的:
- 开发一种新的深度学习架构,用于合成扩散MRI数据.
- 从高分辨率T1w图像直接生成扩散张力 (DT) 和扩散方向分布函数 (dODF).
- 克服现有模型在产生物理可信的扩散图像方面的局限性.
主要方法:
- 提出了第一个用于直接DT和dODF生成的里曼网络架构.
- 将日志-欧几里德度量集成到学习目标中,以确保数学有效性.
- 通过将轨道图与地面真相进行比较,验证了生成的扩散数据.
主要成果:
- 实现了>23%的分数异构平均平方误差 (FA MSE) 的改善.
- 与基线相比,主要方向之间的共弦相似度提高了近5%.
- 生成的通道图显示长度差异<3%,体积差异<1%,形状在视觉上相似.
结论:
- 里曼网络使得从T1w图像的扩散MRI数据的数学有效合成成为可能.
- 该方法显著改善了定量指标和曲谱图相似性.
- 结果表明大脑几何和白质结构之间存在联系,需要进一步调查.
