用扩散核磁共振和深度学习进行异型组织结构的超分辨率映射

科学领域:

• 神经成像是一种神经成像.
• 生物物理学的生物物理.
• 医学物理 医学物理

背景情况:

• 扩散MRI对于通过评估组织微观结构来检测中枢神经系统疾病至关重要.
• 像fODF这样的微结构参数的定量映射对于非侵入性白质曲道学至关重要.
• 目前的扩散MRI方法在采集时间和空间分辨率方面存在局限性.

研究的目的:

• 为扩散MRI数据开发基于深度学习的超分辨率方法,特别是增强光纤导向分布函数 (fODF).
• 评估拟议方法的性能与传统的插值技术相比,并使用地球移动器距离评估其准确性.

主要方法:

• 开发了一种深度学习方法,以增加fODFs的空间分辨率,该分辨率来自受约束的球形解卷.
• 该方法使用来自人类结合体项目的高质量扩散MRI数据进行了评估.
• 准确性是使用地移动器的距离度量来评估的,特别是在低信号噪声比率的情况下.

主要成果:

• 深度学习方法成功地生成了高样本的FODF,与线条插值相比,与地面真相高分辨率数据的对应度更高.
• 超分辨率方法提供了比标准方法更准确的fODF估计,在使用数据时,voxel体积小8倍 (较低SNR).

结论:

• 深度学习提供了一个强大的工具,可以增强扩散MRI衍生的FODFs的空间分辨率.
• 这种技术可以提高白质谱的准确性,特别是在具有挑战性的低信号对噪声条件下.
• 开发的方法代表了神经成像中定量微结构分析的重大进步.