隐含的神经表征用于准确估计白质标准模型的准确估计
Tom Hendriks1, Gerrit Arends2, Edwin Versteeg2
1Department of Computer Science and Mathematics, Eindhoven University of Technology, Groene Loper 5, Eindhoven, 5612 AP, The Netherlands.
ArXiv
|September 22, 2025
概括
隐式神经表示 (INR) 为分析扩散MRI (dMRI) 数据提供了一个新的,无监督的框架. 这种方法准确地估计了白质微观结构参数,即使在噪音条件下,也超过了传统技术.
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:
- 扩散MRI (dMRI) 对于非侵入性组织微观结构分析至关重要.
- 白质的标准模型 (SM) 需要复杂的采集协议,并且由于噪声和高维度而难以进行参数估计.
研究的目的:
- 为dMRI标准模型参数估计引入和评估使用隐式神经表示 (INR) 的新型估计框架.
- 证明INR对现有方法的优越性,特别是在低信号噪声比 (SNR) 场景中.
主要方法:
- 开发了一个无监督的INR框架,通过正弦坐标编码实现空间规范化.
- 在合成和体内dMRI数据集上评估INR方法.
- 与立方多项式,监督神经网络和非线性最小平方相比,INR性能比较.
主要成果:
- 与传统方法相比,INR方法在估计SM参数方面表现出更高的准确性,特别是在低SNR条件下.
- INR可以实现连续的,解剖学上可信的空间上抽样,超越线性或立方互插.
- 该框架是无监督的,对噪声 (高斯式和里斯式) 强大,快速 (约6分钟),并且可以适应各种dMRI模型和获取变异.
结论:
- 隐式神经表示提供了一个强大的,无监督的工具,用于dMRI分析,提高准确性,并使先进的数据表示.
- INR为白质微观结构分析提供了强大,高效和适应性的解决方案,有可能推进扩散MRI解释.
