用连续采样进行扩散MRI信号重建的几何深度学习 (DISCUS)

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
• 机器学习 机器学习

背景情况:

• 扩散权重磁共振成像 (dMRI) 提供神经解剖学微观结构的体内分析,对于临床和人口研究至关重要.
• 目前的dMRI方法面临的局限性是由于采集时间长和采集方案的异质性,阻碍了数据组合和详细分析.
• 现有的基于学习的方法需要特定的获取方案,限制其适用于任意扩散编码.

研究的目的:

• 开发一种新的几何深度学习方法,用于连续的dMRI信号重建.
• 为了实现dMRI信号预测任意扩散采样方案的输入和输出.
• 为应对长时间的获取时间和异质的dMRI获取方案所带来的挑战.

主要方法:

• 开发了第一个用于连续dMRI信号重建的几何深度学习方法.
• 该方法接受并预测任意扩散编码的dMRI信号.
• 结合了基于学习的方法的准确性和基于模型的方法的灵活性 (例如,球体波,SHORE).

主要成果:

• 拟议的方法在dMRI信号重建中优于传统的基于模型的方法.
• 它在各种dMRI数据集 (单,多,基于网格) 中实现了与基于离散学习的方法可比的性能.
• 重建导致微结构模型的更高质量的估计,使得从短时间的dMRI采集中进行可靠的分析.

结论:

• 这种新的深度学习方法为dMRI信号重建提供了灵活而准确的解决方案.
• 它克服了长时间获取和异质方案的局限性,促进了数据集成.
• 即使在有限的dMRI数据采集的情况下,也能够实现高质量的神经解剖学微观结构分析.