FOD-Swin-Net：基于Transformer深度模型的纤维取向分布角度超分辨率
图像与视频处理
2024-02-20 v1 计算机视觉与模式识别
机器学习
神经元与认知
摘要
识别和表征脑纤维束有助于理解许多疾病和状况。该过程中的一个重要步骤是使用扩散加权磁共振成像（DW-MRI）估计纤维取向。然而，获得稳健的取向估计需要高分辨率数据，导致采集时间长，在临床上并不总是可行。在这项工作中，我们探索使用来自更快采集的自动角度超分辨率来克服这一挑战。利用公开的人类连接组项目（HCP）DW-MRI数据，我们训练了一个基于Transformer的深度学习架构，以实现纤维取向分布（FOD）的角度超分辨率。我们的基于块的方法FOD-Swin-Net能够将从32个方向驱动的单壳层重建提升到与多壳层288方向FOD重建相当的水平，大大减少了初始采集所需的方向数量。使用角度相关系数和定性可视化对重建FOD的评估显示，在HCP测试数据上，其性能优于现有技术。可复现的开源代码见https://github.com/MICLab-Unicamp/FOD-Swin-Net。
引用
@article{arxiv.2402.11775,
title = {FOD-Swin-Net: angular super resolution of fiber orientation distribution using a transformer-based deep model},
author = {Mateus Oliveira da Silva and Caio Pinheiro Santana and Diedre Santos do Carmo and Letícia Rittner},
journal= {arXiv preprint arXiv:2402.11775},
year = {2024}
}
备注
Accepted for publication at ISBI 2024