用于从多模态结构MRI定向合成扩散加权图像的q空间条件化翻译网络
图像与视频处理
2021-06-25 v1 计算机视觉与模式识别
机器学习
摘要
当前扩散MRI建模的深度学习方法通过直接从稀疏采样的扩散加权图像（DWIs）预测微观结构指标，规避了对密集采样DWIs的需求。然而，它们在训练与重建中隐式地做出了静态空间采样的非现实假设。此外，此类方法会限制可变采样DWIs的下游使用，包括微观结构指标估计或纤维束成像。我们提出一种生成对抗翻译框架，用于给定常规采集的结构图像（如B0、T1、T2）以任意空间采样进行高质量DWI合成。我们的翻译网络以连续空间信息为条件线性调制其内部表示，从而免除了固定采样方案的需要。而且，该方法支持从任意子采样DWIs下游估计高质量微观结构图，这在稀疏采样DWIs情况下可能尤为重要。在若干近期方法对比中，所提方法提升了DWI合成精度与保真度，并通过合成图像估计的标量微观结构指标精度量化出增强的下游效用。代码见 https://github.com/mengweiren/q-space-conditioned-dwi-synthesis。
引用
@article{arxiv.2106.13188,
title = {Q-space Conditioned Translation Networks for Directional Synthesis of Diffusion Weighted Images from Multi-modal Structural MRI},
author = {Mengwei Ren and Heejong Kim and Neel Dey and Guido Gerig},
journal= {arXiv preprint arXiv:2106.13188},
year = {2021}
}
备注
Accepted by MICCAI 2021. Project page: https://heejongkim.com/dwi-synthesis; Code: https://github.com/mengweiren/q-space-conditioned-dwi-synthesis