基于ODF的深度学习网络用于无监督可变形扩散共振图像记录 (ODDRnet).

科学领域:

• 神经成像是一种神经成像.
• 医学图像分析 医学图像分析
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 扩散MRI (dMRI) 对于绘制大脑白质架构至关重要.
• 当前的注册方法往往忽略了dMRI的高维方向信息,影响了白质对齐的准确性.
• 在dMRI数据中复杂的纤维交叉对精确的解剖学对应提出了挑战.

研究的目的:

• 引入ODDRnet,这是一个无监督的深度学习框架,用于dMRI数据的非线性注册.
• 通过调整光纤定向分布函数 (fODFs) 来利用dMRI中的定向信息.
• 为了提高dMRI中白质路径对齐的准确性.

主要方法:

• ODDRnet直接对准来自原始dMRI信号的高维FODF.
• 该框架预测密集的变形场将空间扭曲FODF并重新定位方向信息.
• 在dMRI注册中采用端到端,无监督的深度学习方法.

主要成果:

• 在dMRI注册中,ODDRnet实现了卓越的宏观准确性.
• 显示了通道子的平均增加0.02和通道距离减少0.31毫米.
• 在各种数据集,种族,年龄组,健康状况和成像协议中展示了强大的泛化.

结论:

• 通过有效利用方向信息,ODDRnet为dMRI注册提供了显著的进步.
• 该框架确保了白质结构的准确对齐,改进了后续分析,如路径学.
• ODDRnet的适应性使其适用于广泛的dMRI注册任务.