利用受稀疏重建框架启发的深度网络估计组织微结构

扩散磁共振成像为无创探测神经组织微结构提供了独特的工具。NODDI 模型在许多神经科学研究中一直是估计组织微结构的流行方法。它用组织中的三种扩散类型表示扩散信号：细胞内、细胞外和脑脊液 compartments。然而，原始的 NODDI 方法使用计算代价高昂的模型拟合过程，并且可能需要大量的扩散梯度才能准确估计微结构，这在临床应用中可能不切实际。因此，研究人员致力于在减少扩散梯度数量的情况下实现高效且准确的 NODDI 微结构估计。在这项工作中，我们提出了一种基于深度网络的 NODDI 微结构估计方法，称为 Microstructure Estimation using a Deep Network (MEDN)。受加速 NODDI 参数计算的 AMICO 算法启发，我们在基于字典的框架下表述了微结构估计问题。所提出的网络包含两个级联阶段。第一阶段类似于基于字典的稀疏重建问题的求解，第二阶段使用第一阶段的输出计算最终的微结构。这两个阶段的权重是从训练数据中联合学习的，这些训练数据是通过密集采样 q 空间的扩散梯度对训练 dMRI 扫描获得的。所提出的方法被应用于脑部 dMRI 扫描，其中使用了两个壳层，每个壳层 30 个梯度方向（共 60 个扩散梯度）。我们测量了相对于黄金标准的估计精度，结果表明 MEDN 优于竞争算法。