从低场到高价值：基于低场 MRI 的鲁棒皮层映射
计算机视觉与模式识别
2025-05-20 v1 机器学习
摘要
从 MRI 三维重建皮层表面以进行形态计量分析是理解大脑结构的基础。虽然高场 MRI (HF-MRI) 是研究和临床环境中的标准，但其有限的可用性阻碍了广泛应用。低场 MRI (LF-MRI)，特别是便携式系统，提供了一种经济高效且易于获取的替代方案。然而，现有的皮层表面分析工具针对高分辨率 HF-MRI 进行了优化，难以应对 LF-MRI 较低的信噪比和分辨率。在这项工作中，我们提出了一种机器学习方法，用于在多种对比度和分辨率下对便携式 LF-MRI 进行三维重建和分析。我们的方法无需重新训练即可“开箱即用”。它使用在合成 LF-MRI 上训练的三维 U-Net 来预测皮层表面的有符号距离函数，然后通过几何处理确保拓扑准确性。我们使用同一受试者的配对 HF/LF-MRI 扫描来评估我们的方法，结果表明 LF-MRI 表面重建的准确性取决于采集参数，包括对比度类型（T1 与 T2）、方向（轴向与各向同性）和分辨率。在不到 4 分钟内采集的 3mm 各向同性 T2 加权扫描与 HF 衍生的表面具有高度一致性：表面积相关性达到 r=0.96，皮层分区 Dice 系数达到 0.98，灰质体积相关性达到 r=0.93。皮层厚度的相关性最高为 r=0.70，仍然更具挑战性，这反映了用 3mm 体素实现亚毫米级精度的困难。我们进一步在具有挑战性的死后 LF-MRI 上验证了我们的方法，证明了其稳健性。我们的方法标志着在便携式 LF-MRI 上实现皮层表面分析迈出了一步。代码可在 https://surfer.nmr.mgh.harvard.edu/fswiki/ReconAny 获取。
引用
@article{arxiv.2505.12228,
title = {From Low Field to High Value: Robust Cortical Mapping from Low-Field MRI},
author = {Karthik Gopinath and Annabel Sorby-Adams and Jonathan W. Ramirez and Dina Zemlyanker and Jennifer Guo and David Hunt and Christine L. Mac Donald and C. Dirk Keene and Timothy Coalson and Matthew F. Glasser and David Van Essen and Matthew S. Rosen and Oula Puonti and W. Taylor Kimberly and Juan Eugenio Iglesias},
journal= {arXiv preprint arXiv:2505.12228},
year = {2025}
}
备注
32 pages