利用 Deep SHORE 实现数据驱动扩散模型的多壳层 b 值泛化能力
图像与视频处理
2020-02-25 v3 计算机视觉与模式识别
摘要
扩散信号的内部体素模型对于以毫米分辨率数据解释组织环境的微米级结构至关重要。数据驱动方法的最新进展使得能够直接比较和优化体内数据方法与外部验证的组织学切片（包括二维和三维组织学）的方法。然而，所有现有方法都做出限制性假设：要么是（1）b 值之间基于模型的关联，要么是（2）与单壳层数据的有限关联。我们将先前使用单壳层球谐变换的深度学习模型推广到集成最近开发的简单谐振子重建（SHORE）基。为在 SHORE 流形上实现学习，我们提出了一种使用 SHORE 基表示纤维取向分布（FOD）对象的替代公式，同时将观测到的扩散加权数据也表示于 SHORE 基中。为确保 SHORE 超参数优化的一致性，我们提出 Deep SHORE 方法在数据优化的流形上学习。Deep SHORE 通过具有四个 b 值的临床前 MRI-组织学数据的八折交叉验证进行评估。体内人类数据的泛化能力在两台独立的 3T MRI 扫描仪上评估。相对于单壳层，与临床前数据的角度相关性（ACC）特异性提高：0.78 对比 0.73 和 0.73；多壳层：0.80 对比 0.74（p < 0.001）。在体内人类数据中，Deep SHORE 跨扫描仪更为一致，ACC 为 0.63，而其他多壳层方法为 0.39、0.52 和 0.57。总之，Deep SHORE 是一种在有不同 b 值、扩散壳层数量和每壳层梯度方向条件下实现 DW-MRI 数据驱动学习的有前景的方法。
引用
@article{arxiv.1907.06319,
title = {Enabling Multi-Shell b-Value Generalizability of Data-Driven Diffusion Models with Deep SHORE},
author = {Vishwesh Nath and Ilwoo Lyu and Kurt G. Schilling and Prasanna Parvathaneni and Colin B. Hansen and Yucheng Tang and Yuankai Huo and Vaibhav A. Janve and Yurui Gao and Iwona Stepniewska and Adam W. Anderson and Bennett A. Landman},
journal= {arXiv preprint arXiv:1907.06319},
year = {2020}
}