扩散MRI中学习型最优q空间采样的研究
图像与视频处理
2020-09-08 v1 计算机视觉与模式识别
机器学习
摘要
纤维束成像是计算神经科学的重要工具，能够重建脑白质的空间连接与组织。纤维束成像利用扩散磁共振成像(dMRI)，可测量脑水沿不同空间方向的表观扩散率。不幸的是，采集此类数据以降低的空间分辨率和大幅增加的采集时间为代价，限制了dMRI的临床适用性。该问题迄今主要通过两种主要策略解决。大多数努力致力于改善任意但固定采样方案(通过扩散编码梯度的选择定义)下的信号估计质量。另一方面，对采样方案进行优化也被证明是有效的。受先前结果启发，本工作将上述策略整合为统一的估计框架，其中优化针对估计模型和采样设计同时执行。所提出的解决方案通过纤维束成像显著改善了信号估计质量及后续分析的准确性。尽管证明所学估计模型的最优性可能需要更广泛的评估，我们仍主张所学采样方案可立即使用，提供了一种无需部署用于其估计的神经网络即可改善dMRI分析的方法。我们基于Human Connectome Project数据给出了全面的比较分析。代码和所学采样设计见 https://github.com/tomer196/Learned_dMRI。
引用
@article{arxiv.2009.03008,
title = {Towards learned optimal q-space sampling in diffusion MRI},
author = {Tomer Weiss and Sanketh Vedula and Ortal Senouf and Oleg Michailovich and AlexBronstein},
journal= {arXiv preprint arXiv:2009.03008},
year = {2020}
}
备注
CDMRI 2020