在扩散MRI中自动绘制残余扭曲严重性的自动映射
Shuo Huang1,2, Lujia Zhong1,3, Yonggang Shi1,2,3
1Stevens Neuroimaging and Informatics Institute, Keck School of Medicine, University of Southern California (USC), Los Angeles, CA 90033, USA.
Computational diffusion MRI : MICCAI Workshop
|March 19, 2024
概括
一种新的深度学习方法准确地绘制了扩散MRI (dMRI) 数据中的残余扭曲. 这种工具有助于通过识别剩余文物区域来改善大脑连接分析,即使数据有限.
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
- 机器学习 机器学习
背景情况:
- 敏感性诱导的扭曲是扩散MRI (dMRI) 中常见的工件,影响连接性分析.
- 现有的扭曲校正方法往往会留下残留的工件,这些工件在不同受试者和大脑区域之间有所不同.
- 为了指导下游分析,需要对剩余扭曲严重性的voxel级地图.
研究的目的:
- 开发和验证一个监督的深度学习网络,用于预测dMRI中的残余扭曲严重性图.
- 提供一个工具,可以通过量化剩余的扭曲来为连接分析提供信息.
- 创建一种有效的方法,适用于具有不同数据采集参数的大规模数据集.
主要方法:
- 一个受监督的深度学习网络被训练使用结构相似度指数 (SSIM) 来测量相反的相位编码 (PE) 方向的光纤方向分布 (FOD).
- 该模型只需要b0图像和扭曲校正方法的输出作为测试期间的输入.
- 该模型在HCP-Aging数据集上进行了训练,并在英国生物库数据上进行了测试.
主要成果:
- 深度学习模型的训练,验证和测试错误率很低.
- 生成的严重性地图显示了在两个数据集中与光纤方向分布 (FOD) 完整性指标的良好相关性.
- 该方法的效率很高,每人大约在一秒钟内生成严重程度地图.
结论:
- 拟议的深度学习方法有效地为dMRI生成voxel级残余扭曲严重性图.
- 这种方法为提高扩散MRI连接性分析的准确性提供了有价值的工具.
- 这种方法是高效的,适合大规模的神经成像研究,包括那些单向dMRI数据.
