婴儿大脑中fODF估计的深度学习:模型比较,基础真相影响和域转移缓解

科学领域:

• 神经成像是一种神经成像.
• 扩散磁共振成像 (dMRI) 是一种磁共振成像.
• 计算神经科学是一种神经科学.

背景情况:

• 精确估计纤维方向分布函数 (fODFs) 对于使用dMRI研究大脑发育至关重要.
• 监督深度学习 (DL) 模型在新生儿dMRI中显示出对fODF估计的前景.
• 在域移动下,这些DL模型的域外 (OOD) 性能和稳定性尚未得到充分理解.

研究的目的:

• 评估三种DL架构 (MLP,变压器,U-Net/CNN) 的稳定性,以从dMRI数据中进行fODF估计.
• 评估年龄,扫描仪/协议差异以及输入维度对模型性能的影响.
• 在基于DL的FODF估计中研究改进OD绩效的适应策略.

主要方法:

• 利用dHCP和BCP数据集 (488名受试者) 进行培训和评估.
• 使用单三组织受约束球形解卷 (SS3T-CSD) 和多多组织CSD (MSMT-CSD) 重建的参考FODF.
• 在不同年龄组,扫描仪协议和输入数据维度下系统评估DL模型性能. 研究的时刻方法 (MoM) 和微调域调整.

主要成果:

• U-Net的表现优于其他具有较少扩散梯度方向的模型,特别是SS3T-CSD地面真相.
• 随着输入方向的增加,MLP和变压器模型的准确性得到了提高,性能在28-45个方向之间停滞不前.
• 与年龄相关的领域转移在后期发育阶段不那么明显;SS3T-CSD比MSMT-CSD更强大.
• 无论是MoM还是微调,都显著改善了各种配置的性能 (p < 0.05),微调更优.

结论:

• 这项研究提供了第一个系统评估的OD性能,以DL为基础的fODF估计在dMRI.
• 在有限的数据中,U-Net表现出卓越的性能,而在更多的输入方向下,MLP和变压器的规模更好.
• 微调成为一个非常有效的策略来缓解网站间的域名转移,显著有利于U-Net.
• 研究结果为开发强大的DL模型提供了关键的见解,用于神经成像中的各种临床和研究应用.