基于机器学习的在体胎儿大脑流线纤维束成像

扩散加权磁共振成像是研究大脑白质纤维束和结构连接性的唯一非侵入性工具。这些评估在很大程度上依赖于纤维束成像技术，该技术重建代表白质纤维的虚拟流线。大量精力被投入到改进成人大脑的纤维束成像方法中，而胎儿大脑的纤维束成像却在很大程度上被忽视。由于 dMRI 信号质量低、大脑结构尚未成熟且发育迅速，以及参考数据匮乏，胎儿纤维束成像面临独特的困难。本工作提出了首个用于胎儿纤维束成像的机器学习模型。模型输入由五种信息源组成：(1) 由拟合 dMRI 信号的扩散张量推断出的纤维方向；(2) 最近传播步骤的方向；(3) 编码为到大脑皮层关键点距离的全局空间信息；(4) 组织分割信息；以及 (5) 随图谱提供的关于预期局部纤维方向的先验信息。为了减轻局部张量估计误差，使用卷积和注意力神经网络模块对扩散张量图像中当前点周围的大空间上下文进行编码。此外，假设的下一个点处的扩散张量信息也包含在模型输入中。应用基于解剖约束纤维束成像的过滤规则来修剪不合理的流线。我们在手动精炼的全脑胎儿纤维束图上训练了该模型，并在胎龄在 23 至 36 周之间的 11 次独立测试扫描上验证了训练好的模型。结果表明，我们提出的方法在所有评估的纤维束上均取得了优越的性能。新方法可以显著提升 dMRI 在研究子宫内正常和异常大脑发育方面的能力。