使用深度学习的端到端脑神经纤维走向估计

在这项工作中，我们探讨了各种脑神经追踪技术，这是扩散张量成像最重要的应用之一。纤维束成像为我们提供了一种非侵入性的方法来分析潜在的组织微观结构。了解组织的结构和构成有助于我们提供一种诊断方法，以识别任何异常，并提供关于脑缺血或中风的发生、阿尔茨海默病和多发性硬化症等神经系统疾病突变等的急性信息。时间至关重要，对异常的准确定位可以帮助挽救或改变患病者的生命。针对当前纤维束成像技术引入的局限性，如计算复杂性、张量估计和标准化过程中的重建误差，我们旨在通过我们的研究结果来阐明这些局限性。我们引入了一个端到端的深度学习框架，可以准确估计沿神经通路的每个体素处最可能的走向。我们使用概率纤维束成像作为基线模型来获取训练数据，并将其作为我们评估的纤维束成像黄金标准。通过实验，我们表明我们的深度网络可以通过将运行时复杂性降低到显著的新水平，从而对当前的纤维束成像实现做出重大改进。我们的架构还允许可变大小的输入 DWI 信号，消除了传统技术中常见的对内存问题的担忧。这种架构的优势在于它非常适合在云设置上进行处理，并利用现有的多 GPU 框架在几分钟而不是几小时内执行全脑纤维束成像。我们使用黄金标准评估我们的网络，并在多个参数上对其性能进行了基准测试。