面向新生儿扩散 MRI 的等距球面 CNN：在缩短获取时间下的纤维取向分布精确估计
计算机视觉与模式识别
2025-10-15 v1 人工智能
摘要
早期和准确评估新生儿大脑微结构对于识别神经发育障碍至关重要，但由于信噪比低、运动伪影以及持续发生的髓鞘化等因素，这仍然具有挑战性。本研究提出了一种针对新生儿扩散 MRI 的旋转等距球面卷积神经网络（sCNN）框架。我们从多壳层扩散 MRI 信号中预测纤维取向分布（FOD），该信号使用缩减的梯度方向集合（仅占完整协议的30%）获取，从而实现更快更具成本效益的获取。我们使用来自 Developing Human Connectome Project（dHCP）提供的43个新生儿扩散 MRI 数据集训练和评估了sCNN的性能。我们的结果表明，sCNN在均方误差（MSE）和角相关系数（ACC）方面显著低于多层感知器（MLP）基线，表明其在FOD估计方面具有更高的准确性。此外，基于sCNN预测的FOD进行的 tractography 结果在解剖合理性、覆盖范围和连贯性方面均优于来自MLP的 tractography 结果。这一发现表明，sCNN凭借其固有的旋转等距性，为准确且临床可用的扩散 MRI 分析提供了有前景的途径，为改进诊断能力和表征早期脑发育奠定了基础。
引用
@article{arxiv.2504.01925,
title = {Equivariant Spherical CNNs for Accurate Fiber Orientation Distribution Estimation in Neonatal Diffusion MRI with Reduced Acquisition Time},
author = {Haykel Snoussi and Davood Karimi},
journal= {arXiv preprint arXiv:2504.01925},
year = {2025}
}