用于扩散加权图像合成的Q空间引导多模式翻译网络.

科学领域:

• 医疗成像医学成像
• 神经成像是一种神经成像.
• 计算神经科学是一种神经科学.

背景情况:

• 扩散权重成像 (DWI) 对于非侵入性组织微观结构分析至关重要.
• 由于时间限制,获得DWI的密集采样的q空间数据在临床上是不切实际的.
• 目前用于DWI的深度学习方法受到固定q空间采样要求的限制.

研究的目的:

• 开发一个灵活的深度学习框架,从可变的q空间采样中合成多外,高角度分辨率的DWI (MS-HARDI).
• 为了利用易于获得的结构性MRI数据 (T1和T2加权) 进行DWI合成.
• 克服固定抽样方案的局限性,在现有的深度学习方法中克服DWI.

主要方法:

• 拟议的Q-space引导多模式翻译网络 (Q-MMTN) 集成混合编码器和多模式注意力融合.
• 采用灵活的q空间感知嵌入式用于动态特征调制.
• 纳入对抗性,重建和解剖学一致性损失,以确保信号的真实性和真实性.

主要成果:

• 通过灵活的q空间采样,Q-MMTN成功地合成了MS-HARDI,其性能优于现有的方法.
• 该网络在估计参数地图和纤维通道方面表现出卓越的性能,在各种寿命数据集中提供精细的解剖细节.
• Q-MMTN显示了适应可变采样场景的适应性,与固定采样深度学习模型不同.

结论:

• 在临床和研究环境中,Q-MMTN为有效和灵活的DWI数据采集提供了一个有前途的解决方案.
• 该方法通过缩短采集时间和提高数据质量来增强DWI的实际实用性.
• 该网络处理可变采样的能力使其成为推进神经成像研究的宝贵工具.