在新生儿扩散MRI中精确估计纤维方向分布的等效球形CNN,并缩短获取时间
Haykel Snoussi1, Davood Karimi1
1Department of Radiology, Boston Children's Hospital and Harvard Medical School, Boston, MA, United States.
Frontiers in neuroscience
|August 14, 2025
概括
一个新的球形卷积神经网络 (sCNN) 准确地分析新生儿大脑扩散MRI数据. 这种方法可以实现更快,更具成本效益的扫描,同时保持早期神经发育障碍检测的高诊断质量.
科学领域:
- 神经成像是一种神经成像.
- 医学物理 医学物理
- 计算神经科学是一种神经科学.
背景情况:
- 扩散磁共振成像 (dMRI) 对于评估新生儿大脑微观结构和检测神经发育障碍至关重要.
- 新生儿dMRI的挑战包括低信号噪声比 (SNR),运动器件和不完整的髓化,阻碍了准确的分析.
- 目前的方法需要广泛的数据采集,限制速度和成本效益.
研究的目的:
- 开发和验证一个旋转等价的球形卷积神经网络 (sCNN) 用于新生儿dMRI分析.
- 从减少的dMRI采集协议 (30%的完整数据) 实现精确的光纤定向分布 (FOD) 预测.
- 提高新生儿dMRI的速度和成本效益,同时保持诊断准确度.
主要方法:
- 一个新的sCNN框架被设计用于旋转等价的多dMRI信号的处理.
- sCNN在43个新生儿dMRI数据集上进行了培训和评估,这些数据集来自开发人类结合体项目 (dHCP).
- 性能与多层感知器 (MLP) 基线进行了比较,使用了MSE,PSNR,ACC,角误差和峰值匹配率等指标.
主要成果:
- 在所有测试的定量指标中,sCNN在FOD估计准确度方面显著超过了MLP基线.
- 来自sCNN的FOD和曲谱在数量上是可比的,在质量上与混合CSD地面真相数据相似.
- 该方法使用标准dMRI采集数据的仅30%实现了高精度.
结论:
- 拟议的sCNN框架在新生儿dMRI分析方面取得了重大进展,提供了精确的FOD估计,缩短了扫描时间.
- 这种方法有可能使早期大脑发育和疾病的临床有效性和成本效益更高的识别和表征.
- 在新生儿神经成像中,sCNNs代表了改善诊断能力的有希望的工具.
