基于学习的系综平均传播子估计

通过捕获组织中水分子的各向异性扩散，扩散磁共振成像 为非侵入性探测人脑组织微观结构和走向提供了独特工具。扩散分布可以通过系综平均传播子 来描述，它是从观测到的扩散信号中推断出来的。然而，在临床实际可行的扩散梯度数量下进行准确的 EAP 估计具有挑战性。在本研究中，我们提出了一种用于 EAP 估计的深度学习算法，命名为基于学习的系综平均传播子估计。EAP 通常由一组基及其相关系数表示，这里我们选择 SHORE 基并设计了一个深度网络来估计这些系数。该网络包含两个级联组件。第一个组件是一个多层感知机 (MLP)，用于同时预测未知系数。然而，典型的训练损失函数（如均方误差）可能无法正确表示系数可能所处的非欧几里得空间的几何结构，这尤其会给从 EAP 中提取方向信息带来问题。因此，为了对训练进行正则化，在第二个组件中，我们借助单独训练的第二个 MLP 计算近似纤维取向 误差的辅助输出。我们使用类似于临床可实现的 $q$ 空间采样的 dMRI 数据进行了实验，并与传统的 EAP 估计方法相比观察到了有希望的结果。