利用卷积神经网络增强纤维取向分布
图像与视频处理
2020-12-18 v2 机器学习
摘要
基于扩散磁共振成像(dMRI)的准确局部纤维取向分布(FOD)建模能够分辨复杂纤维构型，这得益于特定的采集协议：采样大量梯度方向(b-vecs)、高最大b值(b-vals)以及多个b值(多壳层)。然而，临床环境中的采集时间有限，且商用扫描仪可能不提供此类dMRI序列。因此，dMRI常作为单壳层(单b值)采集。在本工作中，我们为商用采集的MRI学习改进的FOD。我们评估基于块的3D卷积神经网络(CNNs)从单壳层表示回归多壳层FOD表示的能力，其中该表示是由约束球面反卷积(CSD)获得的球面调和函数以建模FOD。我们在来自人类连接组计划(Human Connectome Project)和内部数据集的数据上评估U-Net和HighResNet 3D CNN架构。我们评估每个CNN模型在以下情况下分辨局部纤维取向的效果：1)在与CNN模型训练所用dMRI采集协议相同的数据集上训练和测试；2)在与训练CNN模型所用dMRI采集协议不同的数据集上测试；3)在与训练CNN模型所用梯度方向数更少的数据集上测试。我们的方法可能能够在具有少量梯度方向的单壳层dMRI采集协议上实现鲁棒的CSD模型估计，从而减少采集时间，促进改进的FOD估计向时间受限的临床环境的转化。
引用
@article{arxiv.2008.05409,
title = {Enhancing Fiber Orientation Distributions using convolutional Neural Networks},
author = {Oeslle Lucena and Sjoerd B. Vos and Vejay Vakharia and John Duncan and Keyoumars Ashkan and Rachel Sparks and Sebastien Ourselin},
journal= {arXiv preprint arXiv:2008.05409},
year = {2020}
}