机构名称：
¥ 1.0
从扩散磁共振成像 (dMRI) 中分割脑组织类型是一项重要任务，有助于量化脑微结构并改进纤维束成像。当前的 dMRI 分割主要基于注册到 dMRI 空间的解剖 MRI (例如 T1 和 T2 加权) 分割。然而，与解剖 MRI 相比，dMRI 中的图像失真更多且图像分辨率更低，因此这种模态间配准具有挑战性。在本研究中，我们提出了一种用于扩散 MRI 分割的深度学习方法，我们将其称为 DDSeg。我们提出的方法从来自人类连接组计划 (HCP) 的高质量图像数据中学习组织分割，其中解剖 MRI 与 dMRI 的配准更为精确。然后，该方法能够直接从新的 dMRI 数据（包括使用不同采集协议收集的数据）预测组织分割，而无需解剖数据和模态间配准。我们训练卷积神经网络 (CNN) 来学习组织分割模型，使用一种新颖的增强目标损失函数来提高组织边界区域的准确度。为了进一步提高准确度，我们的方法将表征非高斯水分子扩散的扩散峰度成像 (DKI) 参数添加到传统的扩散张量成像参数中。DKI 参数是根据最近提出的平均峰度曲线方法计算得出的，该方法可以校正不合理的 DKI 参数值并提供区分组织类型的附加特征。我们在 HCP 数据上展示了较高的组织分割准确度，并且在将 HCP 训练模型应用于来自其他采集的分辨率较低且梯度方向较少的 dMRI 数据时也表现出较高的组织分割准确度。
基于深度学习的扩散 MRI 脑组织分割
主要关键词
相关文件推荐
