在新生儿大脑中基于学习的纤维导向分布估计中的基础真相效应
Rizhong Lin1,2,3, Hamza Kebiri4,2, Ali Gholipour5,6
1Signal Processing Laboratory (LTS5), École Polytechnique Fédérale de Lausanne (EPFL), Lausanne, Switzerland.
ArXiv
|September 16, 2024
概括
单三组织受约束球形解卷 (SS3T-CSD) 对新生儿大脑成像具有前景,其性能优于多多组织方法. 这种方法提供了更现实的纤维配置和跨年龄组强大的性能.
科学领域:
- 神经成像是一种神经成像.
- 生物医学工程 生物医学工程
- 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) 不侵入地可视化大脑的微观结构.
- 纤维定向分布 (FODs) 绘制白质区域的地图,深度学习显示了近期的估计成功.
- 目前用于新生儿FOD估计的深度学习模型通常在多多组织受约束球形解卷 (MSMT-CSD) 数据上进行训练,这可能不适合发育的大脑.
研究的目的:
- 为了研究单三组织受约束球形解卷 (SS3T-CSD) 与MSMT-CSD对新生儿大脑微观结构分析的适用性.
- 评估输入梯度方向对新生儿FOD估计准确度的影响.
- 评估SS3T-CSD在不同年龄组的稳定性,在一个年龄领域转移的场景.
主要方法:
- 训练了一个基于U-Net的深度神经网络模型,使用SS3T-CSD和MSMT-CSD作为基础真理.
- 使用与新生儿大脑发育相关的指标,比较训练模型的表现.
- 在不同数量的输入梯度方向和年龄域转移设置下评估模型性能.
主要成果:
- 与新生儿大脑的MSMT-CSD相比,SS3T-CSD产生了更现实的单纤维和多纤维估计声的比率.
- 增加输入梯度方向显著提高了SS3T-CSD的性能,超过MSMT-CSD.
- 在不同年龄组中,SS3T-CSD表现强,这表明在年龄领域转移条件下稳定.
结论:
- 对于新生儿大脑FOD估计,SS3T-CSD可能是一个比MSMT-CSD更合适的基准真相.
- SS3T-CSD的性能对扩散梯度方向的数量敏感.
- 在不同年龄段,SS3T-CSD显示了基于dMRI的新生儿大脑成像更准确,更可靠的潜力.
