صورة توزيع التوتر (DTI) هي طريقة صورية واسعة الاستخدام في رسم الهيكل الدقيق والربط الهيكلي لأنسجة الدماغ الحية. ومؤخراً، قدم العلماء أساليب تعلم عميق لتقدير توزيع التوتر بسرعة فقط باستخدام كمية قليلة من صور التوتر الموزون (DW). ومع ذلك، غالباً ما تستخدم هذه الأساليب مجموعات صور DW التي تم الحصول عليها باستخدام خطة ثابتة لأخذ عينات الفضاء q كبيانات تدريب، مما يقيد تطبيقها. لحل هذه المشكلة، قمنا بتطوير شبكة عصبية عميقة جديدة، تسمى QCG-DTI، التي يمكنها تحقيق تقدير فعال ودقيق لتوزيع التوتر تحت شروط مرنة لخطة التدليك الفضائي q. أولا، نقترح استراتيجية تحقق توافق الميزات المضمنة لإحداثيات الفضاء q، لضمان الارتباط بين إحداثيات الفضاء q وصور DW المقابلة. بناءً على ذلك، نقترح وحدة دمج إحداثيات الفضاء q (QCF)، التي تضمن بطريقة ذات كفاءة استخدامها تدليك إحداثيات الفضاء q في الميزات متعددة المقياس لصور DW المقابلة من خلال ضبط خطي للخريطة الميزات. أخيرًا، نقترح وحدة الكثافة المتبقية متعددة المقياس (MRD)، عن طريق استخدام فروع مزدوجة للتحويلات بأحجام نواة مختلفة لاستخراج ميزات مختلفة المقياس، لتحسين قدرة استخراج الميزات وإعادة الصورة. بالمقارنة مع أحدث الأساليب التي تعتمد على خطة أخذ عينات ثابتة، يمكن للشبكة التي نقترحها الحصول على توزيع توتر عالي الجودة ومعلماته المشتقة حتى عند استخدام صور DW التي تم الحصول عليها بخطة تدليك فضائي q مرنة. بالمقارنة مع أحدث الأساليب التي تعتمد على تعلم عميق، يقلل QCG-DTI من الخطأ المطلق المتوسط بنسبة حوالي 15% في مؤشر الانحراف التجزئي للكسور، ويقلل بنسبة حوالي 25% في مؤشر المعدل المتوسط للانتشار.
Keywords
صورة توزيع التوتر;صورة ألياف الانتشار;تعلم عميق;تقدير سريع لتوزيع التوتر;Qمعلومات الإحداثيات الفضائية