基于贝叶斯误差校正与深度学习超分辨的便携式超低场扩散张量成像
计算机视觉与模式识别
2026-02-13 v1 人工智能
摘要
便携式超低场 (ULF) 磁性共振成像 (MRI) 有望扩大神经影像的可及性，但目前存在空间分辨率粗糙、角分辨率低以及信噪比低的问题。扩散张量成像 (DTI) 这种为检测和重建大脑白质束线设计的序列尤其容易受到此类成像退化的影响，由于固有的序列设计和延长的扫描时间。此外，ULF DTI扫描在空间和角域显示 artifacting，需定制建模算法进行后续校正。我们引入九方向、单壳ULF DTI序列，以及伴随的贝叶斯偏差场校正算法，具备角度依赖性和卷积神经网络基于深度学习的超分辨率算法，可跨DTI数据集通用且无需重新训练（"DiffSR"）。我们通过人工下采样实验和真实匹配的ULF和高场DTI扫描中的白质评估表明，这些算法可在ULF下恢复微结构和体积白质信息。我们还展示了DiffSR可直接应用于人工降解扫描中的白质基于阿尔茨海默病分类，与未降解扫描相比，在DTI指标之间达到显著改善。我们免费发布贝叶斯偏差校正算法和DiffSR，以促进ULF重建方法和通用DTI序列调谐工作的进展。我们发布与DiffSR相关的所有代码供公众使用。
引用
@article{arxiv.2602.11446,
title = {Enhanced Portable Ultra Low-Field Diffusion Tensor Imaging with Bayesian Artifact Correction and Deep Learning-Based Super-Resolution},
author = {Mark D. Olchanyi and Annabel Sorby-Adams and John Kirsch and Brian L. Edlow and Ava Farnan and Renfei Liu and Matthew S. Rosen and Emery N. Brown and W. Taylor Kimberly and Juan Eugenio Iglesias},
journal= {arXiv preprint arXiv:2602.11446},
year = {2026}
}
备注
38 pages, 8 figures, 2 supplementary figures, and 3 supplementary tables