Q Réseau neuronal orienté dans l'espace pour estimer efficacement le tenseur de diffusion à partir du plus petit nombre d'images pondérées en diffusion
L'imagerie du tenseur de diffusion (DTI) est une méthode d'imagerie largement utilisée pour cartographier la microstructure des tissus cérébraux vivants et leurs connexions structurelles. Récemment, les chercheurs ont proposé plusieurs méthodes d'apprentissage profond permettant d'estimer rapidement le tenseur de diffusion à l’aide d'un petit nombre d'images pondérées en diffusion (DW) seulement. Cependant, ces méthodes utilisent souvent des images DW obtenues à l'aide d'un schéma d'échantillonnage d'espace q fixe comme données d'entraînement, ce qui limite leur applicabilité. Pour résoudre ce problème, nous avons développé un nouveau réseau de neurones profonds, appelé QCG-DTI, capable d'estimer efficacement et précisément le tenseur de diffusion dans des conditions de schéma d'échantillonnage d'espace q flexible. Tout d'abord, nous proposons une stratégie d'incorporation de coordonnées d'espace q dans les caractéristiques, garantissant la correspondance entre les coordonnées de l'espace q et les images DW correspondantes. Sur cette base, nous proposons un module de fusion de coordonnées d'espace q (QCF), qui incruste efficacement les coordonnées q dans les caractéristiques multi-échelles des images DW correspondantes en ajustant linéairement les caractéristiques de la carte. Enfin, nous proposons un module de densité résiduelle multi-échelle (MRD), qui, en utilisant des convolutions à double branche de tailles de noyau différentes, extrait des caractéristiques à différentes échelles pour améliorer la capacité d'extraction de caractéristiques et la reconstruction d'images. Par rapport aux méthodes de pointe qui dépendent d'un schéma d'échantillonnage fixe, le réseau que nous proposons peut obtenir un tenseur de diffusion de haute qualité et ses paramètres dérivés même lors de l'utilisation d'images DW obtenues à l'aide d'un schéma d'échantillonnage d'espace q flexible. Comparé aux méthodes de pointe d'apprentissage profond, QCG-DTI réduit l’erreur absolue moyenne d'environ 15% dans l'indicateur d'anisotropie fractale, et d'environ 25% dans l'indicateur de taux de diffusion moyen.
Keywords
Imagerie du tenseur de diffusion;Imagerie de faisceaux de fibres de diffusion;Apprentissage profond;Estimation rapide du tenseur de diffusion;Q Informations de coordonnées spatiales