从减少的扩散权重图像数量中恢复高质量的光纤定向分布,使用基于模型的深度学习架构
Joseph J Bartlett1,2, Catherine E Davey1, Leigh A Johnston1
1Department of Biomedical Engineering, Melbourne Brain Centre Imaging Unit, Graeme Clark Institute, The University of Melbourne, Parkville, Victoria, Australia.
Magnetic resonance in medicine
|June 9, 2024
概括
一个新的深度学习模型,球形解卷网络 (SDNet),准确地从更少的扩散加权图像中重建纤维方向分布,减少大脑分析的扫描时间.
科学领域:
- 神经成像是一种神经成像.
- 扩散式核磁共振成像 (MRI)
- 计算神经科学是一种神经科学.
背景情况:
- 扩散权重成像 (DWI) 对于绘制大脑白质架构至关重要.
- 精确重建纤维方向分布 (FODs) 对于详细的神经解剖学分析至关重要.
- 目前的方法通常需要很长的获取时间,这限制了临床适用性.
研究的目的:
- 开发基于模型的深度学习架构,以使用减少的DWI数量进行准确的FOD重建.
- 通过尽量减少采集时间,实现更快,更有效的神经影像分析.
- 为了提高白质谱和分析的精度.
主要方法:
- 拟议的球形解卷网络 (SDNet) 架构用于FOD重建.
- SDNet将30个DWI的减少集映射到完全采样的FOD (适合288个DWI).
- 嵌入了DWI一致性块和损失函数中的fixel分类惩罚;在人类连接项目的数据上受过训练.
主要成果:
- 与现有方法 (FOD-Net,多多组织受约束球形解卷) 相比,SDNet表现出更高的性能.
- 在角相关系数和二次误差之和方面取得了最好的结果.
- 增加了fixel分类罚款,改善了FOD被分为正确的fixel号码的指标.
结论:
- DWI一致性块可以提高FOD重建的准确性.
- 固定装置分类处罚可以更好地控制固定装置的角度分离.
- SDNet为高效和准确的扩散核磁共振分析提供了一个有前途的方法.
