基于主要成分分析和RINLM过器的大脑纤维结构估计.
1Institute of Medical Imaging and Engineering, University of Shanghai for Science and Technology, Shanghai, China.
Medical & biological engineering & computing
|November 23, 2023
概括
这项研究引入了一种用于扩散权重图像 (DWI) 的新型无色化方法,使用Marchenko-Pastur主要组件分析 (MPPCA) 和旋转不变非局部介质 (RINLM). 结合的方法增强了神经科学研究中的白质微观结构分析.
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:
- 扩散磁共振成像 (dMRI) 对于非侵入性大脑白质微观结构分析至关重要.
- 扩散加权图像 (DWI) 易受噪声影响,阻碍了精确的纤维定向重建,微观结构参数估计和通道图.
- 现有的无色化方法往往难以保持精细的图像纹理细节.
研究的目的:
- 为扩散权重图像 (DWI) 开发和验证一种新的降噪技术.
- 为了提高白质微观结构估计和人脑中纤维跟踪的准确性.
- 为了保留图像纹理细节,同时有效消除噪音.
主要方法:
- 一种混合无线化方法,结合了Marchenko-Pastur主要组件分析 (MPPCA) 和旋转不变非局部平均值 (RINLM) 过器.
- 将算法应用于模拟和真实的人类大脑数据集,包括单纤维,多纤维,交叉和曲线纤维区域.
- 使用各种微观结构估计模型对最先进的否定方法进行比较分析.
主要成果:
- 与现有技术相比,拟议的MPPCA-RINLM方法在拒绝DWI数据方面表现出优异的性能.
- 纤维定向重建的角度误差显著减少,导致更准确的纤维结构估计.
- 改善了光纤跟踪轨迹的覆盖范围和完整性.
- 减少了白质微观结构参数的估计误差.
结论:
- 合并的MPPCA-RINLM方法有效地拒绝DWI,保留关键的图像纹理信息.
- 这种技术提高了白质微观结构估计和神经科学研究中的曲谱学的可靠性.
- 提出的方法为推进大脑连接和病理学的分析提供了有价值的工具.


