在临床上可行的扩散MRI中,使用T1加权MRI和解剖学上下文来进行轨道图学增强
Jongyeon Yoon1,2, Elyssa M McMaster2,3, Chloe Cho2,4
1Department of Computer Science, Vanderbilt University, Nashville, TN, USA.
Proceedings of SPIE--the International Society for Optical Engineering
|December 26, 2025
概括
这项研究引入了一种深度学习方法,以使用标准MRI扫描来改善大脑白质谱图. 这种新方法可以通过低质量的扩散MRI数据来提高连接性估计.
科学领域:
- 神经成像是一种神经成像.
- 计算神经科学是一种神经科学.
- 医学图像分析 医学图像分析
背景情况:
- 扩散核磁共振 (dMRI) 流线导管学对于绘制大脑白质 (WM) 路径至关重要.
- 标准通道图因其对dMRI数据质量的敏感性而受到限制.
- 深度学习为从解剖学数据中生成 Tractography 提供了新的可能性.
研究的目的:
- 开发一种使用临床上可行的dMRI数据进行高质量通道图的新方法.
- 将T1加权的MRI和解剖学上下文集成到通道图过程中.
- 改进从低于最佳的dMRI数据对大脑连接模式的估计.
主要方法:
- 一个卷积循环神经网络 (CoRNN) 被训练为局部曲谱估计器.
- 该CoRNN使用临床质量的dMRI,T1加权的MRI卷和解剖标签作为输入.
- 性能与基线重新抽样方法进行了比较.
主要成果:
- 拟议的CORNN方法显示了在统计学上显著的改善了曲谱学性能.
- 与基线相比,在捆绑重建特征中观察到显著差异.
- 该方法成功地从临床上可行的dMRI数据生成了高质量的通道图.
结论:
- 将T1wMRI和解剖学上下文与深度学习相结合,可以从低质量的dMRI中增强路径学.
- 这种方法有可能从以前无法使用的数据集中恢复有价值的大脑连接信息.
- 在临床环境中,CoRNN方法为稳健的白质路径估计提供了一个有希望的解决方案.
