基于隐式神经表示的标准白质模型精确估计
图像与视频处理
2026-04-15 v2 机器学习
医学物理
摘要
扩散磁共振成像（dMRI）实现了对组织微结构的非侵入性探索。标准模型（Standard Model, SM）旨在分离扩散MRI信号来自髓鞘内和髓鞘外水 compartments的贡献。然而，由于该模型的高维特性，准确估计其参数具有复杂性，仍是活跃的研究领域，已提出不同的（机器学习）策略。本工作引入一种基于隐式神经表示（INRs）的估计框架，通过对输入坐标的正弦编码来 Incorporate 空间正则化。INR方法在合成数据和体内数据上进行评估，并与现有方法进行比较。结果表明，INR方法在估计SM参数方面优于现有方法，尤其在低信噪比条件下。此外，INR的空间升频可以以连续方式对底层数据进行解剖学上合理的表示。INR是自监督的，无需标记训练数据。它实现快速推断，抗噪性强，支持对SM核参数和纤维方向分布函数（fiber orientation distribution function）的联合估计，可达到球面调和数（spherical harmonics orders）至少8，并支持梯度非均匀性校正。这些特性的组合将INR定位为分析和解释扩散MRI数据的一个可能重要工具。
引用
@article{arxiv.2506.15762,
title = {Implicit neural representations for accurate estimation of the standard model of white matter},
author = {Tom Hendriks and Gerrit Arends and Edwin Versteeg and Anna Vilanova and Maxime Chamberland and Chantal M. W. Tax},
journal= {arXiv preprint arXiv:2506.15762},
year = {2026}
}