使用混合图形变压器精确估计组织微观结构

科学领域:

• 医疗成像医学成像
• 神经科学是一个神经科学.
• 机器学习 机器学习

背景情况:

• 通过扩散MRI (dMRI) 准确地估计组织微观结构需要大量的数据,这在临床上具有挑战性.
• 深度学习方法从低样本的dMRI增强了微结构推断,但往往忽视了联合空间 (x空间) 和扩散 (q空间) 信息.

研究的目的:

• 通过整合q空间学习和x空间指导,提出一种新的混合图形变压器 (HGT),用于精确的组织微观结构估计.
• 通过考虑跨空间和扩散领域的联合信息来解决现有方法的局限性.

主要方法:

• 开发了一种混合图形变压器 (HGT) 模型,该模型包含用于 q 空间学习的图形卷积网络和用于 x 空间引导的残余密度变压器块.
• x空间模块利用解剖学上下文,从低样本的q空间数据中规范化微观结构估计.

主要成果:

• 在广泛的实验中,与最先进的方法相比,HGT模型表现出更高的性能.
• 对人类结合体项目的数据和帕金森病患者的扩散权重成像进行了评估.

结论:

• 拟议的HGT有效地整合了空间和扩散信息,以从低样本的dMRI数据中改进组织微结构估计.
• 对于需要精确的微观结构分析的临床应用,HGT提供了一个有前途的进步.