用于脑扩散MRI视场扩展的多模态条件变分U-Net
计算机视觉与模式识别
2025-07-10 v2 机器学习
摘要
扩散磁共振成像中的视场不完整会严重阻碍全脑白质连接的体积和纤维束分析。尽管已有工作研究了利用深度生成模型对缺失区域进行插补，但目前尚不清楚如何具体利用来自配对多模态数据的附加信息，以及这是否能提高插补质量并有助于下游纤维束成像。为了填补这一空白，我们提出了一种新颖的框架，通过将FOV已采集部分学习到的扩散特征整合到完整的大脑解剖结构中，对FOV不完整部分的dMRI扫描进行插补。我们假设通过这种设计，所提出的框架能够提高dMRI扫描的插补性能，因此有助于修复FOV不完整的受损dMRI扫描中的全脑纤维束成像。我们在来自不同中心的两个队列共96名受试者上测试了该框架，并将其与同等对待T1w和dMRI扫描信息的基线插补方法进行了比较。所提出的框架在插补性能上取得了显著改善（由角相关系数证明，p < 1E-5），在下游纤维束成像精度上也取得了显著改善（由Dice分数证明，p < 0.01）。结果表明，与基线方法相比，所提出的框架通过具体利用来自配对多模态数据的附加信息，提高了dMRI扫描的插补性能。该框架实现的插补增强了全脑纤维束成像，从而降低了分析与神经退行性疾病相关的纤维束时的不确定性。
引用
@article{arxiv.2409.13846,
title = {Multi-Modality Conditioned Variational U-Net for Field-of-View Extension in Brain Diffusion MRI},
author = {Zhiyuan Li and Chenyu Gao and Praitayini Kanakaraj and Shunxing Bao and Lianrui Zuo and Michael E. Kim and Nancy R. Newlin and Gaurav Rudravaram and Nazirah M. Khairi and Yuankai Huo and Kurt G. Schilling and Walter A. Kukull and Arthur W. Toga and Derek B. Archer and Timothy J. Hohman and Bennett A. Landman},
journal= {arXiv preprint arXiv:2409.13846},
year = {2025}
}