基于深度约束球面反卷积的鲁棒纤维取向分布函数估计用于扩散 MRI
计算机视觉与模式识别
2024-12-05 v2
摘要
扩散加权磁共振成像（DW-MRI）是一种在毫米尺度捕获和建模组织微结构的关键成像方法。对测得 DW-MRI 信号建模的常用方法是通过纤维取向分布函数（fODF）。该函数是下游纤维追踪与连接组分析的重要第一步。随着近期数据共享的优势，大规模多站点 DW-MRI 数据集正变得可用于多站点研究。然而，在 DW-MRI 采集过程中测量变异性（如站点间与站点内变异性、硬件性能和序列设计）不可避免。大多数现有基于模型的方法（如约束球面反卷积（CSD））和基于学习的方法（如深度学习（DL））在 fODF 建模中未显式考虑此类变异性，从而在多站点和/或纵向扩散研究中导致较差性能。本文提出一种新颖的数据驱动深度约束球面反卷积方法，显式约束重测变异性，以从重复 DW-MRI 扫描中获得更具可重复性与鲁棒的脑微结构估计。具体而言，所提方法在 fODF 估计中引入了新的 3D 体素扫描器不变正则化方案。我们研究了 Human Connectome Project（HCP）青年成人重测组以及 MASiVar 数据集（含站点间与站点内扫描/重扫数据）。Baltimore Longitudinal Study of Aging（BLSA）数据集用于外部验证。实验结果表明，所提数据驱动框架在重复 fODF 估计上优于现有基准。所提方法评估了下游连接组分析，并显示出在区分具有不同生物标志物的受试者方面性能的提升。
引用
@article{arxiv.2306.02900,
title = {Robust Fiber Orientation Distribution Function Estimation Using Deep Constrained Spherical Deconvolution for Diffusion MRI},
author = {Tianyuan Yao and Francois Rheault and Leon Y Cai and Vishwesh nath and Zuhayr Asad and Nancy Newlin and Can Cui and Ruining Deng and Karthik Ramadass and Andrea Shafer and Susan Resnick and Kurt Schilling and Bennett A. Landman and Yuankai Huo},
journal= {arXiv preprint arXiv:2306.02900},
year = {2024}
}
备注
33 pages, 7 figures