基于自适应字典学习的扩散MRI数据集协调

扩散磁共振成像是一种非侵入性成像技术，可间接推断组织微结构并提供跨受试者存在正常变异的度量指标。潜在的异常值或特征可能提供关键信息以支持对照组与患者队列分析，但影响扩散MRI的细微混杂因素（如扫描协议或硬件差异所致）可导致系统性误差，易被误认为受试者间纯生物学驱动变异。本工作中，我们提出一种基于自适应字典学习的新协调算法，以减轻不同扫描仪硬件引起的非期望变异性，同时保留数据中存在的自然生物学变异性。从数据自动学习且无需配对样本的过完备字典，随后用于从另一扫描仪重建数据，在此过程中去除源扫描仪中存在的变异性。我们利用国际挑战赛公开数据库评估该方法，该数据在三种不同扫描仪与两种不同协议下采集，并提出了向扫描仪无关空间的新映射。结果显示，所研究四种扩散度量的效应量在去除可归因于扫描仪的变异性后被保留。使用自由水隔室（训练数据中未模拟）的改动实验表明，改动引起的效应量在协调后同样被保留。该算法免费可用，可助多中心研究汇总数据同时去除扫描仪特定混杂因素，并借此提升统计功效。