基于有限单壳层DW-MRI的多组织约束球面反卷积深度学习估计
图像与视频处理
2020-02-21 v1 计算机视觉与模式识别
定量方法
摘要
弥散加权磁共振成像（DW-MRI）是唯一一种无创估算体素内组织微结构并重建活体人脑神经通路的方法。随着加速 MRI 采集技术的改进，采用多级扩散敏感化的 DW-MRI 协议日益流行。一种利用多壳层数据重建白质微结构的著名先进方法是多组织约束球面反卷积（MT-CSD）。相较于传统的单壳层约束球面反卷积（CSD），MT-CSD 显著提升了体素内结构的分辨率。在此，我们探索在单壳层数据（使用人类连接组计划（HCP）的 b=1000 s/mm2）上利用深度学习来估计由完整三壳层数据（HCP 的 b=1000、2000 和 3000 s/mm2）得到的 8 阶 MT-CSD 所捕获的信息内容。简言之，我们考察两种网络架构：1.) 中间带残差块的全连接稠密层序列网络（ResDNN）；2.) 带残差块的基于块卷积神经网络（ResCNN）。两种网络均使用带修正损失函数的额外输出块以估计体素分数。每种方法均与在所有数据上使用 MT-CSD 的基线进行比较，数据来自 HCP 的 15 名受试者，分为 5 名训练、2 名验证和 8 名测试，共计 670 万个体素。纤维取向分布函数（fODF）可以高相关性（0.77 对比 0.74 和 0.65）恢复，相较于 MT-CST 的地面真值，后者源自多壳层 DW-MRI 采集。源代码与模型已公开可用。
引用
@article{arxiv.2002.08820,
title = {Deep Learning Estimation of Multi-Tissue Constrained Spherical Deconvolution with Limited Single Shell DW-MRI},
author = {Vishwesh Nath and Sudhir K. Pathak and Kurt G. Schilling and Walt Schneider and Bennett A. Landman},
journal= {arXiv preprint arXiv:2002.08820},
year = {2020}
}
备注
10 pages, 7 figures