多受约束球形解卷的隐性神经表示,用于扩散MRI连续建模.
Tom Hendriks1, Anna Vilanova1, Maxime Chamberland1
1Department of Computer Science and Mathematics, Eindhoven University of Technology, AP Eindhoven, The Netherlands.
Imaging neuroscience (Cambridge, Mass.)
|March 13, 2025
概括
本研究介绍了扩散MRI中的多多组织受约束球形解卷 (MSMT-CSD) 的隐性神经表示 (INR). 这种机器学习方法可以创建连续的大脑纤维模型,提高准确性并利用空间相关性.
科学领域:
- 神经成像是一种神经成像.
- 计算神经科学是一种神经科学.
- 生物医学工程 生物医学工程
背景情况:
- 扩散MRI (dMRI) 揭示了大脑的微观结构和宏观结构.
- 多多组织受约束球形解卷 (MSMT-CSD) 模型从dMRI数据中模拟光纤方向分布 (FOD).
- 在voxel方面,MSMT-CSD易受噪声影响,缺乏空间规范化,需要昂贵的插值.
研究的目的:
- 开发一种新的无监督机器学习框架,使用隐式神经表示 (INR) 来进行dMRI分析.
- 为了生成dMRI数据集的连续表示,克服voxel-wise方法的局限性.
- 为了提高模拟大脑纤维方向分布的准确性和效率.
主要方法:
- 将隐式神经表示 (INR) 方法应用于MSMT-CSD模型.
- 开发了一个无监督的机器学习框架,生成dMRI数据的连续表示.
- 将输入坐标输入INR中,以获得在任何位置对FOD进行参数化的球体波系数.
主要成果:
- INR框架生成dMRI数据集的连续FOD表示.
- 该模型利用voxels之间的空间相关性,作为规范化技术.
- 对合成和真实dMRI数据的定量和质量评估表明了竞争性表现.
结论:
- 隐式神经表示为dMRI分析提供了对voxel-wise方法的强大,连续的替代方案.
- 这种方法通过利用空间信息和减少噪声影响来增强参数估计.
- 基于INR的MSMT-CSD框架显示了更准确和更有效的脑微结构建模的前景.


