一种基于机器学习方法估计扩散加权磁共振成像中主要纤维束数目与取向的技术
图像与视频处理
2020-06-22 v1 计算机视觉与模式识别
摘要
扩散加权磁共振成像数据的多室建模对于准确的脑连接分析是必要的。现有估计成像体素中纤维束数目与取向的方法要么依赖于对初始化和测量噪声敏感的非凸优化技术,要么容易预测出虚假纤维束。本文中,我们提出一种基于机器学习的技术,可准确估计体素中纤维束的数目与取向。我们的方法既可用模拟数据也可用真实扩散加权成像数据进行训练。该方法估计单位球面上均匀分布的离散方向集合中每个方向到最近纤维束的角度,随后处理该信息以提取体素中纤维束的数目与取向。在具有已知真值的高保真模拟体模数据上,我们的方法比若干现有方法更准确地预测交叉纤维束的数目与取向,并带来更准确的纤维追踪。在真实数据上,我们的方法在标准方法的鲁棒性(对测量降采样的鲁棒性)以及纤维追踪结果的专家质量评估方面优于或可与标准方法相媲美。
引用
@article{arxiv.2006.11117,
title = {A machine learning-based method for estimating the number and orientations of major fascicles in diffusion-weighted magnetic resonance imaging},
author = {Davood Karimi and Lana Vasung and Camilo Jaimes and Fedel Machado-Rivas and Shadab Khan and Simon K. Warfield and Ali Gholipour},
journal= {arXiv preprint arXiv:2006.11117},
year = {2020}
}