从承诺到实际：通过快速深度学习提升转化扩散MRI分析
计算机视觉与模式识别
2025-08-29 v2
摘要
纤维取向分布（FOD）是一种先进的扩散MRI建模技术，代表复杂的白质纤维配置，是后续脑脑神经迹追踪和连接组分析的关键步骤。其可靠性和准确性高度依赖MRI采集质量以及每个脑素块处FOD估计的质量。从广泛可用的临床协议中通过单壳和低角分辨率采集生成可靠的FOD仍具有挑战性，但可通过最新进展的深度学习增强技术来实现。尽管已有进展，但现有方法主要在健康受试者上进行评估，这被证明是其临床应用的主要障碍。本文验证了新优化的增强框架FastFOD-Net在健康对照者及六名神经精神疾病患者中的应用。该加速的端到端深度学习框架在提升FOD质量方面表现优异，提供了适用于临床的训练/推理效率（相较于其前身快60倍）。本工作在临床应用中最全面的评估表明，FastFOD-Net在加速临床神经科学研究方面具有潜力，使扩散MRI分析能够用于疾病分化，提高连接组应用的可解释性，并降低测量误差以降低样本量要求。关键是，本工作将促进深度学习方法在扩散MRI增强方面的更广泛采用，并在建立临床信任方面发挥作用。具体而言，FastFOD-Net使对真实世界临床扩散MRI数据的稳健分析能够与高质量研究采集相当。
引用
@article{arxiv.2508.10950,
title = {From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement},
author = {Xinyi Wang and Michael Barnett and Frederique Boonstra and Yael Barnett and Mariano Cabezas and Arkiev D'Souza and Matthew C. Kiernan and Kain Kyle and Meng Law and Lynette Masters and Zihao Tang and Stephen Tisch and Sicong Tu and Anneke Van Der Walt and Dongang Wang and Fernando Calamante and Weidong Cai and Chenyu Wang},
journal= {arXiv preprint arXiv:2508.10950},
year = {2025}
}
备注
24 pages, 5 figures