基于注意力的Q空间深度学习用于加速扩散磁共振成像的一般化

科学领域:

• 医疗成像医学成像
• 神经科学是一个神经科学.
• 机器学习 机器学习

背景情况:

• 扩散MRI (dMRI) 量化组织微观结构,但由于密集的q空间采样,需要长时间的采集时间.
• 加快dMRI采集通常涉及低采样q空间数据和使用深度学习进行重建.
• 现有的深度学习方法受到预先确定的q空间采样策略的限制.

研究的目的:

• 开发一种新的深度学习模型,即基于注意力的q空间深度学习 (aqDL),用于dMRI重建.
• 为了使用可变的q空间采样策略来实现准确的参数重建.
• 提高dMRI数据重建的效率和通用性.

主要方法:

• 提出了基于注意力的q空间深度学习 (aqDL) 模型.
• 利用变压器编码器将各种扫描策略的dMRI数据映射到一个共同的功能空间.
• 采用多层感知子来从潜伏特征中重建dMRI参数.
• 验证了人类连接组项目数据集和两个独立数据集的模型,具有不同的低样本比率.

主要成果:

• 在各种下样本数中,aqDL模型实现了最高的重建精度.
• 无论使用了可变或预先确定的q空间扫描策略,性能仍然很高.
• 该模型在独立数据集上表现出一致的准确性,证实了其可概括性.

结论:

• 使用可变采样策略,aqDL可以有效地从低采样的q空间数据中重建dMRI参数.
• 与传统的深度学习方法相比,该模型提供了更高的准确性和通用性.
• aqDL显示出在一般临床dMRI数据集中应用的巨大潜力,提高了效率.