SuperDTI：基于深度学习的超快扩散张量成像与纤维束成像
图像与视频处理
2021-07-27 v4 机器学习
医学物理
摘要
目的：提出一种基于深度学习的超快且鲁棒的扩散张量成像与纤维束成像重建框架。方法：我们提出 SuperDTI 以学习扩散加权图像（DWIs）与相应的张量派生定量图以及纤维束成像之间的非线性关系。SuperDTI 绕过了张量拟合过程，该过程众所周知对 DWIs 中的噪声和运动高度敏感。该网络使用来自 Human Connectome Project 的数据集以及缺血性脑卒中患者进行训练和测试。将 SuperDTI 与用于扩散图重建和纤维追踪的最先进方法进行比较。结果：在使用相同协议和扫描仪的训练与测试数据时，SuperDTI 被证明可从少至六幅原始 DWI 生成分数各向异性和平均扩散率图以及纤维束成像。该方法在白质和灰质结构的所有感兴趣区域中实现了小于 5% 的量化误差。我们还证明所训练的神经网络对测试数据中的噪声和运动具有鲁棒性，且使用健康志愿者数据训练的网络可直接应用于脑卒中患者数据而不损害病灶可检测性。结论：本文证明了使用深度学习直接从少至六幅 DWI 进行超快扩散张量成像与纤维束成像而绕过张量拟合的可行性。如此显著的扫描时间减少可能使 DTI 纳入许多潜在应用的临床常规中。
引用
@article{arxiv.2002.01031,
title = {SuperDTI: Ultrafast diffusion tensor imaging and fiber tractography with deep learning},
author = {Hongyu Li and Zifei Liang and Chaoyi Zhang and Ruiying Liu and Jing Li and Weihong Zhang and Dong Liang and Bowen Shen and Xiaoliang Zhang and Yulin Ge and Jiangyang Zhang and Leslie Ying},
journal= {arXiv preprint arXiv:2002.01031},
year = {2021}
}
备注
27 pages, 7 figures, 3 tables, 3 supporting figures