用于扩散 MRI 中取向分布场估计与不确定性量化的神经取向分布场
图像与视频处理
2024-02-07 v2 应用统计
统计计算
摘要
在体推断脑连接与结构需要准确估计取向分布函数（ODF），其编码了关键的局部组织特性。然而，由于显著噪声、高维参数空间以及稀疏角向测量等障碍，从扩散 MRI（dMRI）信号估计 ODF 是一个具有挑战性的逆问题。在本文中，我们通过提出一种新颖的基于深度学习的方法来解决这些挑战，用于空间变化 ODF 场的连续估计与不确定性量化。我们使用神经场（NF）来参数化潜在 ODF 的随机级数表示，隐式建模数据中常被忽略但有价值的空间相关结构，从而在稀疏和噪声情形下提高效率。我们推导了后验预测分布的解析近似，可用于量化任意空间位置处 ODF 估计的不确定性，避免了为此目的通常采用的需要昂贵重采样的方案。我们在合成和真实在体扩散数据上给出了经验评估，展示了我们的方法相对于现有方法的优势。
引用
@article{arxiv.2307.08138,
title = {Neural Orientation Distribution Fields for Estimation and Uncertainty Quantification in Diffusion MRI},
author = {William Consagra and Lipeng Ning and Yogesh Rathi},
journal= {arXiv preprint arXiv:2307.08138},
year = {2024}
}
备注
code available on request