RobNODDI：基于连续表示的鲁棒NODDI参数估计与自适应抽样
计算机视觉与模式识别
2024-08-06 v1 图像与视频处理
摘要
神经节 dispersion和密度成像（NODDI）是一种重要的成像技术，用于评估脑组织的微观结构，对于发现和治疗各种神经疾病具有重要意义。当前的深度学习方法通过采用小数量的扩散梯度进行参数估计，从而加快参数估计速度并提高准确性。然而，大多数现有深度学习模型在测试阶段使用的扩散方向必须严格与训练阶段的扩散方向一致，这导致模型在dMRI参数估计中的泛化性和鲁棒性较差。本文首次验证了当测试扩散方向与训练扩散方向不一致时，当前主流方法的性能会显著下降。我们提出了一种基于连续表示的自适应抽样的鲁棒NODDI参数估计方法（RobNODDI）。此外，选取长短期记忆（LSTM）单元和全连接层来学习连续表示信号。为此，我们基于Human Connectome Project（HCP）数据集进行了实验，共计100个受试者，其中60个用于训练，20个用于验证，20个用于测试。测试结果表明，RobNODDI提高了深度学习模型的泛化性能和鲁棒性，增强了深度学习NODDI参数估计应用的稳定性和灵活性。
引用
@article{arxiv.2408.01944,
title = {RobNODDI: Robust NODDI Parameter Estimation with Adaptive Sampling under Continuous Representation},
author = {Taohui Xiao and Jian Cheng and Wenxin Fan and Jing Yang and Cheng Li and Enqing Dong and Shanshan Wang},
journal= {arXiv preprint arXiv:2408.01944},
year = {2024}
}