基于三维卷积神经网络的运动伪影数据鲁棒扩散参数映射

在扩散加权图像采集过程中头部运动不可避免，尤其对于某些易动受试者以及采用延长扫描时间的先进扩散模型数据收集而言。运动校正精度不足会导致扩散模型重建质量下降，从而影响所导出的度量。这导致数据丢失，或给不同运动水平数据的结果引入偏倚，或二者兼有。因此，最小化运动影响并重新利用运动污染数据对定量研究至关重要。我们此前已开发了一种三维分层卷积神经网络(3D H-CNN)用于从欠采样数据中鲁棒地映射扩散峰度。在本研究中，我们提出将该 method 扩展至运动污染数据，通过运动评估与受损卷 rejection 流程实现扩散模型导出度量的鲁棒恢复。我们在两个体内数据集上验证了所提流程。首个个体受试者数据集的结果表明，来自新流程的所有扩散张量与峰度张量导出度量对运动影响敏感度极低，且在运动污染数据仅保留少至八卷时与无运动参考结果相当。第二个注意缺陷多动障碍儿童群体数据集的结果证明了我们的方法能够改善由头部运动引起的虚假组间差异。该方法在挖掘那些原本可能被丢弃的宝贵但运动污染的DWI数据方面展现出巨大潜力，并可应用于具有不同运动水平的数据从而提升其利用率与统计效力。