深度网络引导的纤维方向估计

扩散磁共振成像是目前唯一能够对大脑白质纤维束进行非侵入性成像的工具。纤维方向是从 dMRI 中计算出的用于纤维束重建的关键特征。由于一个体素内的 FO 数量通常较少，基于字典的稀疏重建已被用于在相对较少的扩散梯度下估计 FO。然而，在存在噪声的情况下，对具有复杂 FO 配置的区域进行准确的 FO 估计仍然具有挑战性。在本工作中，我们在基于字典的框架中探索使用深度网络进行 FO 估计，并提出了一种名为深度网络引导的纤维方向重建算法。FORDN 包含两个步骤。首先，我们使用一个编码粗略基 FO 的较小字典来表示扩散信号。为了估计字典原子的混合比例（从而估计粗略 FO），我们专门设计了一个深度网络来解决稀疏重建问题。这里使用较小的字典是为了降低训练的计算成本。其次，粗略 FO 指导最终的 FO 估计，在此步骤中使用一个编码密集基 FO 的较大字典，并求解一个加权 $l1$ 范数正则化最小二乘问题，以鼓励 FO 与网络输出保持一致。在模拟和真实 dMRI 数据上对 FORDN 进行了评估，并与使用稀疏重建估计 FO 的 SOTA 算法进行了比较，结果证明了使用深度网络进行 FO 估计的优势。