通过深度生成模型扩展脑扩散MRI的视野
Chenyu Gao1, Shunxing Bao1, Michael E Kim2
1Vanderbilt University, Department of Electrical and Computer Engineering, Nashville, Tennessee, United States.
Journal of medical imaging (Bellingham, Wash.)
|August 26, 2024
概括
这项研究引入了一种深度学习方法,以填补扩散核磁共振 (dMRI) 中缺少的脑扫描数据,改进对视野不完整 (FOV) 的通道图分析. 这种方法可以修复损坏的数据,从而更好地了解大脑连接.
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
- 扩散磁共振成像 (dMRI) 是一种磁共振成像.
背景情况:
- 在dMRI扫描中,视野不完全 (FOV) 显著阻碍了大脑微观结构和连接的体积和捆绑分析.
- 丢弃有价值的dMRI数据与不完整的FOV限制了随后的通道图分析.
- 需要方法来计算dMRI扫描中缺失的数据,以保持数据完整性并实现全面分析.
研究的目的:
- 开发一种新的方法,用于在不完整FOV的dMRI扫描中赋予缺失的切片.
- 为了提高全脑通道图的准确性,使用dMRI数据与归算完整的FOV.
- 为丢弃受不完整FOV影响的有价值的dMRI数据提供替代方案.
主要方法:
- 提出了一个深度生成模型框架,用于估计dMRI扫描中缺失的大脑区域.
- 该模型从扩散权重图像 (DWI) 中学习扩散特征,并从结构图像中学习解剖特征.
- 这使得在不完整的FOV中有效地归算缺失的DWI切片.
主要成果:
- 拟议的框架在威斯康星州阿尔茨海默氏症预防注册 (WRAP) 和国家阿尔茨海默氏症协调中心 (NACC) 数据集上展示了足够的归算性能.
- 截图的准确性得到了显著的改善,这可以通过在两个数据集上增加72个截图的平均Dice得分来证明.
- 该方法成功修复了带有不完整FOV的损坏的dMRI数据.
结论:
- 开发的框架有效地将大脑dMRI扫描中的缺失数据归因于不完整的FOV.
- 归算改进了全脑通道图,为修复损坏的神经成像数据提供了解决方案.
- 这种方法提高了分析大脑捆绑的准确性,特别适用于像阿尔茨海默病这样的疾病.
