基于零空间深度学习的跨扫描仪高角分辨率扩散加权 MRI 协调

扩散加权磁共振成像（DW-MRI）允许以毫米尺度对非侵入性的人脑局部纤维结构进行成像。已有多种经典方法被提出以检测每个体素中的单纤维（如张量）和多纤维（如约束球面反卷积，CSD）群体方向。然而，现有技术通常在不同 MRI 扫描仪间表现出较低的重现性。在此，我们提出一种利用两类数据的数据驱动技术，其使用神经网络设计。首先，训练数据通过使用离体 DW-MRI 和脑组织的组织学在三只松鼠猴脑上获取。其次，在人类受试者上于两台不同扫描仪获取重复扫描以增广所提出网络的学习。为使用这些数据，我们提出一种新的网络架构，零空间深度网络（NSDN），以同时在传统的观测/真值对（如 MRI-组织学体素）以及无已知真值的重复观测（如扫描-重扫描 MRI）上学习。NSDN 在完全对网络盲的百分之二十组织学体素上进行了测试。相对于组织学，NSDN 的绝对性能比 CSD 显著提高了 3.87%，比最近提出的深度神经网络方法提高了 1.42%。此外，在配对数据上其重现性比 CSD 提高了 21.19%，比最近提出的深度方法提高了 10.09%。最后，NSDN 将模型对第三台体内人类扫描仪（未用于训练）的泛化能力比 CSD 提高了 16.08%，比最近提出的深度学习方法提高了 10.41%。本工作表明，用于局部纤维重建的数据驱动方法具有更高的重现性、信息量和精确性，并提供了一种确定这些模型的新颖实用方法。