学习空间连续的纤维取向函数

我们对人类连接组的理解从根本上受到扩散磁共振图像分辨率的限制。通过纤维束追踪重建连接组的组成神经通路需要遵循连续的纤维方向场。通常，该场是通过在低分辨率、含噪声的扩散 MRI 中进行简单的三线性插值找到的。然而，三线性插值难以跟踪低质量数据中的细粒度变化。近期在扩散 MRI 超分辨率方面的深度学习方法侧重于上采样至固定的空间网格，但这无法满足纤维束追踪对连续场的需求。在本工作中，我们提出了 FENRI，一种从低分辨率扩散加权图像中学习空间连续纤维取向密度函数的新方法。为了量化 FENRI 在纤维束追踪中的能力，我们还引入了一个扩展的模拟数据集，用于评估深度学习纤维束追踪模型。我们证明 FENRI 能够从真实的低质量数据中准确预测高分辨率纤维取向，并且基于 FENRI 的纤维束追踪相比当前使用的三线性插值提供了改进的流线重建。