SamRobNODDI：基于 q 空间采样增强的连续表示学习，用于鲁棒且泛化的 NODDI
计算机视觉与模式识别
2024-11-12 v1 图像与视频处理
摘要
从扩散磁共振成像（dMRI）中估计神经突取向色散与密度成像（NODDI）微结构对多种神经系统疾病的发现和治疗具有重要意义。当前的深度学习方法加速了 NODDI 参数估计的速度并提高了精度。然而，大多数方法要求测试和训练时的梯度方向数量和坐标保持严格一致，这显著限制了这些模型在 NODDI 参数估计中的泛化能力和鲁棒性。在本文中，我们提出了一种基于 q 空间采样增强的连续表示学习框架（SamRobNODDI），以实现鲁棒且泛化的 NODDI。具体而言，引入了一种基于 q 空间采样增强的连续表示学习方法，以充分探索 q 空间中不同梯度方向之间的信息。此外，我们设计了一种采样一致性损失来约束不同采样方案的输出，确保输出尽可能一致，从而进一步增强对不同 q 空间采样方案的鲁棒性和性能。SamRobNODDI 也是一个灵活框架，可应用于不同的骨干网络。为验证所提方法的有效性，我们在 18 种不同的 q 空间采样方案下将其与 7 种最先进方法进行了比较，结果表明 SamRobNODDI 在性能、鲁棒性、泛化能力和灵活性方面均更优。
引用
@article{arxiv.2411.06444,
title = {SamRobNODDI: Q-Space Sampling-Augmented Continuous Representation Learning for Robust and Generalized NODDI},
author = {Taohui Xiao and Jian Cheng and Wenxin Fan and Enqing Dong and Hairong Zheng and Shanshan Wang},
journal= {arXiv preprint arXiv:2411.06444},
year = {2024}
}