La imagen del tensor de difusión (DTI) es un método de imagen ampliamente utilizado para trazar la microestructura de tejidos cerebrales vivos y sus conexiones estructurales. Recientemente, los académicos han propuesto varios métodos de aprendizaje profundo que permiten estimar rápidamente el tensor de difusión solo con una pequeña cantidad de imágenes ponderadas de difusión (DW). Sin embargo, estos métodos a menudo utilizan muestras de imágenes DW obtenidas con un esquema de muestreo de espacio q fijo como datos de entrenamiento, lo que limita su aplicabilidad. Para resolver este problema, hemos desarrollado una nueva red neuronal profunda, llamada QCG-DTI, que puede lograr una estimación eficiente y precisa del tensor de difusión en condiciones flexibles de esquema de muestreo de espacio q. En primer lugar, proponemos una estrategia de consistencia de características de incrustación de coordenadas de espacio q, que garantiza la correspondencia entre las coordenadas de espacio q y las imágenes DW correspondientes. Sobre esta base, proponemos un módulo de fusión de coordenadas de espacio q (QCF), que incrusta de manera eficiente las coordenadas q en las características de múltiples escalas de las imágenes DW correspondientes ajustando linealmente las características del mapa. Por último, proponemos un módulo denso de residuos de múltiples escalas (MRD), que, mediante el uso de convoluciones de doble rama con diferentes tamaños de núcleo, extrae características a diferentes escalas para mejorar la capacidad de extracción de características y la reconstrucción de imágenes. En comparación con los métodos líderes que dependen de un esquema de muestreo fijo, la red que proponemos puede obtener un tensor de difusión de alta calidad y sus parámetros derivados incluso cuando se utilizan imágenes DW obtenidas con un esquema de muestreo de espacio q flexible. En comparación con los métodos líderes de aprendizaje profundo, QCG-DTI reduce el error absoluto promedio en aproximadamente un 15% en el indicador de anisotropía fraccional y aproximadamente un 25% en el indicador de tasa de difusión promedio.

Imagen del tensor de difusión;Imagen de haces de fibras de difusión;Aprendizaje profundo;Estimación rápida del tensor de difusión;Q Información de coordenadas espaciales