基于深度学习的单扩散MRI自由水校正

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:

• 在扩散MRI中,自由水消除 (FWE) 建模对于准确的扩散属性估计至关重要.
• 自由水的部分体积效应,特别是在白物质-脑脊液接口,偏差扩散测量.
• 现有的FWE模型通常不适合常见的单dMRI数据.

研究的目的:

• 开发和评估一个深度学习框架,用于绘制和纠正在扩散MRI中的自由水部分体积污染.
• 在各种dMRI采集方案中使用数据驱动技术实现准确的FWE建模,包括单数据.
• 提高在不同数据集中扩散MRI分析的可靠性和清晰度.

主要方法:

• 提出了一种新的深度学习框架,用于推断和纠正扩散加权成像 (DWI) 中的自由水体积.
• 该方法应用于单和多dMRI数据集,包括人类连接组项目 (HCP) 年轻成人和老龄化数据集和脑瘤连接组 (BTC) 数据.
• 通过对新数据集进行微调和b值重新映射来评估模型的概括性.

主要成果:

• 与现有的单方法相比,深度学习方法产生了更合理的自由水估计.
• 该方法在扫描/重新扫描期间的扩散性估计中显示出更好的一致性.
• 观察到神经通路识别的提高准确性和白质道的更清晰的可视化.

结论:

• 拟议的深度学习框架有效地纠正dMRI中的自由水部分体积效应,即使是单收购.
• 该方法为改善不同数据集和采集参数的扩散MRI分析的准确性和稳定性提供了可通用的解决方案.
• 这种方法具有很大的潜力,可以通过提供更可靠的大脑微观结构信息来推进神经成像研究和临床应用.