一种用于异质多壳扩散加权MRI上纤维取向分布函数估计的统一学习模型
机器学习
2024-01-31 v2
摘要
扩散加权(DW)MRI通过其q空间中的谱测量每个体素中局部扩散过程的方向和尺度,通常在一个或多个壳层中获取。微结构成像和多组织分解的最新进展重新引发了对信号在径向b值依赖性的关注。因此,组织分类和微架构估计方面的应用需要一种在径向和角域上扩展的信号表示。已有多种方法被提出,可以建模DW-MRI信号与生物微结构之间的非线性关系。在过去几年中,与传统的基于模型的方法(例如多壳多组织约束球面反卷积)相比,许多基于深度学习的方法被开发出来,以实现更快的推理速度和更高的扫描间一致性。然而,由于学习过程依赖于各种中间表示(例如简单谐振子重建(SHORE)表示),通常需要多阶段学习策略。在这项工作中,我们提出了一种具有单阶段球面卷积神经网络的统一动态网络,其可通过异质多-shell扩散MRI序列高效估计纤维取向分布函数(fODF)。我们研究了具有重测扫描的人类连接组计划(HCP)年轻成年人。从实验结果来看,所提出的单阶段方法在具有壳层丢弃和单壳层DW-MRI序列的重复fODF估计中优于先前的多阶段方法。
引用
@article{arxiv.2303.16376,
title = {A Unified Learning Model for Estimating Fiber Orientation Distribution Functions on Heterogeneous Multi-shell Diffusion-weighted MRI},
author = {Tianyuan Yao and Nancy Newlin and Praitayini Kanakaraj and Vishwesh nath and Leon Y Cai and Karthik Ramadass and Kurt Schilling and Bennett A. Landman and Yuankai Huo},
journal= {arXiv preprint arXiv:2303.16376},
year = {2024}
}