基于白 matter几何引导的得分基于扩散模型用于脑 tractography成像中的组织微结构插值
计算机视觉与模式识别
2024-09-23 v3
摘要
白 matter tractography的分割为疾病预测、解剖 tract 分割、手术脑图映射以及非成像表型分类提供了解剖特征。然而，由于包括个体间解剖变异性和神经影像扫描数据质量等多种因素，分割并始终达到100%的准确性。未能识别分割区域会导致微结构数据值的缺失，这尤其对分析大规模脑数据集的下游任务具有挑战性。本文提出了一种新型深度学习模型用于组织微结构插值：白 matter几何引导扩散（WMG-Diff）模型。具体而言，我们首先提出一种深度得分基于引导扩散模型，用于扩散磁共振成像（dMRI）tractography纤维簇的组织微结构插值。其次，我们提出一种白 matter胚图几何关系引导的去噪函数，以引导主体特定水平的反向去噪过程。最后，我们在包含9342名受试者的大型数据集上训练和评估了该模型。针对组织微结构插值和下游非成像表型预测任务进行全面实验，表明我们提出的WMG-Diff在误差和准确性指标方面均优于比较方法。我们的代码将在：https://github.com/SlicerDMRI/WMG-Diff 上提供。
引用
@article{arxiv.2407.19460,
title = {White Matter Geometry-Guided Score-Based Diffusion Model for Tissue Microstructure Imputation in Tractography Imaging},
author = {Yui Lo and Yuqian Chen and Fan Zhang and Dongnan Liu and Leo Zekelman and Suheyla Cetin-Karayumak and Yogesh Rathi and Weidong Cai and Lauren J. O'Donnell},
journal= {arXiv preprint arXiv:2407.19460},
year = {2024}
}
备注
This paper has been accepted for presentation at The 31st International Conference on Neural Information Processing (ICONIP 2024). 12 pages, 3 figures, 2 tables