MICCAI-CDMRI 2023 QuantConn挑战 通过扩散MRI的协调预处理实现强大的定量连接的发现.

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:

• 白质变化是神经疾病进展的关键指标.
• 扩散权重磁共振成像 (DW-MRI) 对于研究白质微观结构和连接性至关重要.
• 不一致的DW-MRI采集协议阻碍了定量分析和交叉研究比较.

研究的目的:

• 协调DW-MRI预处理,以确保在不同收购中提供可靠的定量扩散指标.
• 评估方法,以尽量减少采集特异性的差异,同时保持生物变异的DW-MRI数据.
• 评估协调对捆绑微观结构,形状特征和连接经济学的影响.

主要方法:

• 在QuantConn挑战中,从两个采集协议的同一个人获得了DW-MRI原始数据.
• 参与者负责预处理DW-MRI数据,以协调交叉采集差异.
• 根据微观结构,形状和连接经济学的可复制性和可比性来评估统一的数据.

主要成果:

• 诸如捆绑表面积和分数异型度等措施最容易受到收购偏差的影响.
• 机器学习的voxel-wise校正,RISH映射和NeSH方法有效地减少了这些偏差.
• 微结构指标 (AD,MD,RD),捆绑长度和连接组指标是收购差异最少偏差的.

结论:

• 机器学习方法在协调连接,微观结构和宏观结构特征方面最有效,但需要共同注册的数据.
• NeSH重新抽样方法也被证明是有效的,它提供了一个独立于共同注册的可通用框架.
• 这些协调技术对于神经疾病的可靠的大规模DW-MRI研究至关重要.