如果每个voxel用不同的扩散协议来测量呢?
Santiago Coelho1, Gregory Lemberskiy1, Ante Zhu2
1Center for Biomedical Imaging and Center for Advanced Imaging Innovation and Research (CAI2R), Department of Radiology, New York University School of Medicine, New York, NY, USA.
Magnetic resonance in medicine
|December 12, 2025
概括
扩散MRI (dMRI) 挑战参数估计中的梯度非线性. 新的协议独立参数估计 (PIPE) 方法能够快速,准确地分析复杂的纤维结构,即使使用不同的扫描协议.
科学领域:
- 医疗成像医学成像
- 神经成像是一种神经成像.
- 生物物理学的生物物理.
背景情况:
- 扩散MRI (dMRI) 正在扩展到强度梯度和低场装置,引入梯度非线性.
- 这些非线性导致扩散梯度的空间变化,扭曲q空间并阻碍准确的参数估计.
- 目前的方法与异型外和低效的重新培训扎,以适应不同的协议.
研究的目的:
- 为dMRI开发一个协议独立的参数估计 (PIPE) 方法.
- 为了应对dMRI分析中的梯度非线性性的挑战.
- 为了能够快速准确地估计光纤定向分布函数 (fODFs),尽管协议变化.
主要方法:
- 提出了一种协议独立的参数估计 (PIPE) 方法,适用于任何基于球状卷积的dMRI模型.
- 推导出一种节的表示,以隔离梯度非线性质的同otropic 和 anisotropic 效应.
- 应用PIPE在体内人体MRI数据与线性张量编码.
主要成果:
- PIPE能够在不到3分钟的时间内对整个大脑进行快速参数估计,即使有显著的梯度非线性.
- 该方法成功评估了纤维响应和fODF参数.
- 在不同的b值,扩散/回声时间和其他扫描参数中证明了稳定性.
结论:
- 在任意梯度非线性存在的情况下,PIPE促进了快速参数估计.
- 消除了对不同协议的dMRI外安排或重新训练估计器的需求.
- 适用于各种dMRI模型和采用各种扫描参数获取的数据.
