利用模型驱动深度学习架构从少量扩散加权图像恢复高质量纤维取向分布
计算机视觉与模式识别
2025-04-17 v1 机器学习
图像与视频处理
摘要
利用深度学习进行纤维取向分布（fibre orientation distribution, FOD）重建，有潜力从少量扩散加权图像（diffusion-weighted images, DWIs）中产生准确的FOD，从而减少总成像时间。这类方法通常使用DWI信号的扩散采集不变表示作为输入，以确保能灵活应用于具有不同b向量和b值的数据；然而，这意味着网络无法将其输出直接建立在DWI信号之上。本工作中，我们提出了一个球面反卷积网络——一种模型驱动的深度学习FOD重建架构，可确保网络产生的中间及输出FOD与输入DWI信号一致。此外，我们在损失函数中实现了fixel分类惩罚，鼓励网络产生可随后被正确分割为相应数量fixel的FOD，并改善下游基于fixel的分析。结果表明，该基于模型的深度学习架构相比最先进的FOD超分辨率网络FOD-Net具有竞争力。而且，我们展示了fixel分类惩罚可被调节，以在依赖准确FOD分割的指标上提供改进性能。我们的代码公开于 https://github.com/Jbartlett6/SDNet 。
引用
@article{arxiv.2307.15273,
title = {Recovering high-quality FODs from a reduced number of diffusion-weighted images using a model-driven deep learning architecture},
author = {J Bartlett and C E Davey and L A Johnston and J Duan},
journal= {arXiv preprint arXiv:2307.15273},
year = {2025}
}
备注
10 pages, 7 figures, This work has been submitted to the IEEE for possible publication