FlexDTI：基于柔性扩散梯度编码方案并利用深度学习的超高效扩散张量成像
图像与视频处理
2023-12-22 v2
摘要
目的：大多数基于深度神经网络的扩散张量成像方法要求待重建数据中的扩散梯度数量和方向与训练数据中的一致。本工作旨在开发并评估一种名为 FlexDTI 的基于动态卷积的新方法，用于具有柔性扩散编码梯度方案的高效扩散张量重建。方法：FlexDTI 被开发用于以柔性的扩散编码梯度数量和方向实现高质量 DTI 参数映射。该方法使用动态卷积核将扩散梯度方向信息嵌入相应扩散信号的特征图中。此外，它通过设定网络输入通道的最大数量实现了对柔性数量扩散梯度方向的泛化。网络使用来自人类连接组计划（Human Connectome Project）和本地医院的数据集进行训练和测试。将 FlexDTI 与其他先进张量参数估计方法的结果进行比较。主要结果：与其他方法相比，FlexDTI 即使在扩散编码梯度数量和方向变化的情况下也成功实现了高质量的扩散张量派生参数。与具有柔性扩散编码梯度方案的最先进深度学习方法相比，它将分数各向异性（FA）的归一化均方根误差（NRMSE）降低了约50%，平均扩散率（MD）降低了15%。意义：FlexDTI 能很好地学习扩散梯度方向信息，以柔性扩散梯度方案实现泛化 DTI 重建。该网络可同时兼顾灵活性与重建质量。
引用
@article{arxiv.2308.01173,
title = {FlexDTI: Flexible diffusion gradient encoding scheme-based highly efficient diffusion tensor imaging using deep learning},
author = {Zejun Wu and Jiechao Wang and Zunquan Chen and Qinqin Yang and Zhen Xing and Dairong Cao and Jianfeng Bao and Taishan Kang and Jianzhong Lin and Shuhui Cai and Zhong Chen and Congbo Cai},
journal= {arXiv preprint arXiv:2308.01173},
year = {2023}
}
备注
24 pages,9 figures,3 tables