隐式神经表示用于准确估计标准模型的白质
Tom Hendriks1, Gerrit Arends2, Edwin Versteeg2
1Department of Computer Science and Mathematics, Eindhoven University of Technology, Eindhoven, The Netherlands. t.hendriks@tue.nl.
Communications biology
|December 24, 2025
概括
隐式神经表示 (INRs) 通过准确估计白质微观结构参数来改善扩散MRI分析. 这种自我监督的方法提高了准确性,特别是在杂的环境中,为数据解释提供了强大的工具.
科学领域:
- 神经成像是一种神经成像.
- 生物物理学的生物物理.
- 计算神经科学是一种神经科学.
背景情况:
- 扩散MRI (dMRI) 非侵入性地探测组织微观结构.
- 白质的标准模型 (SM) 量化了轴心内和轴心外的水区.
- 由于模型的复杂性和维度,精确的SM参数估计具有挑战性.
研究的目的:
- 引入使用隐式神经表示 (INR) 的SM参数的新型估计框架.
- 在合成和体内dMRI数据上对现有技术进行INR方法的性能评估.
- 评估INR在空间上采样和连续数据表示方面的能力.
主要方法:
- 开发了一种基于INR的估计框架,通过正弦坐标编码将空间规范化纳入其中.
- 对合成和体内扩散MRI数据集的方法进行了评估.
- 将INR性能与已建立的dMRI参数估计技术进行比较.
主要成果:
- INR方法在估计SM参数方面表现出卓越的准确性,优于现有方法,特别是在低信号对噪声条件下.
- INR的空间上抽样使得dMRI数据的解剖学上可信,连续的表示成为可能.
- 自主监督的INR方法实现了快速推断,噪声稳定性,并支持复杂模型参数的联合估计.
结论:
- INR为准确的扩散MRI标准模型参数估计提供了一个强大的,自我监督和强大的框架.
- 该方法能够处理噪声并提供连续的空间表示,使其成为dMRI数据分析的有价值工具.
- INR显示出显著的潜力,以推进从扩散MRI中解释白质微结构.
