XiaoMi-AI文件搜索系统
World File Search SystemdMRI
扩散 MRI (dMRI) 序列设置
GRAPPA 是平面内加速因子；GRAPPA 为 2 时，扫描时间将减少近一半。多波段因子 (SMA) 是切片加速因子；SMA 为 4 时，扫描时间将减少近四分之一。部分傅立叶沿相位编码方向削减一些 k 空间线以加速采集；如果使用，大多数研究使用 6/8 因子。如果需要，我们可以同时应用所有这些加速技术，但会牺牲图像质量。大多数研究使用 GRAPPA 为 2 和 SMA 为 2 或 4。一些研究人员只使用 SMA 为 8。使用 SMA，一些研究人员还保存参考扫描以供后期处理。
使用基于 dMRI 的自动编码器神经网络表征脑组织微结构
摘要近年来，多室模型被广泛用于尝试从扩散磁共振成像 (dMRI) 数据中表征脑组织微观结构。这种方法的主要缺点之一是需要先验决定微观结构特征的数量，并将其嵌入模型定义中。然而，在给定采集方案的情况下可以从 dMRI 数据中获得的微观结构特征数量仍然不清楚。在这项工作中，我们旨在使用自动编码器神经网络结合旋转不变特征来表征脑组织。通过改变自动编码器潜在空间中的神经元数量，我们可以有效地控制从数据中获得的微观结构特征的数量。通过将自动编码器重建误差绘制到特征数量，我们能够找到数据保真度和微观结构特征数量之间的最佳权衡。我们的结果显示了该数字如何受到壳层数量和用于采样 dMRI 信号的 b 值的影响。我们还展示了我们的技术如何为更丰富地表征体内脑组织微观结构铺平道路。
基于深度学习的扩散 MRI 脑组织分割
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。
机器学习的扩散 MRI
摘要 — 脑的弥散加权磁共振成像 (dMRI) 具有独特的功能，包括无创探测组织微结构和结构连接。它广泛用于疾病和损伤的临床评估以及神经科学研究。分析 dMRI 数据以提取用于医学和科学目的的有用信息可能具有挑战性。dMRI 测量可能会受到强噪声和伪影的影响，并且可能表现出数据在会话间和扫描仪间的高度可变性，以及脑结构在受试者间异质性。此外，测量值与感兴趣现象之间的关系可能非常复杂。近年来，机器学习方法在 dMRI 分析中的应用越来越多。本文旨在评估这些努力，重点关注解决数据预处理和协调、微结构映射、纤维束成像和白质束分析的方法。我们研究现有方法的主要发现、优点和缺点，并提出未来研究的主题。我们发现机器学习可能非常适合解决 dMRI 分析中的一些困难任务。然而，要实现这一点，需要解决现有方法的几个缺点和尚未解决的关键问题。迫切需要改进评估实践，增加丰富的训练数据集和验证基准的可用性，以及模型的通用性、可靠性和可解释性问题。
人工智能用于扩散基于MRI的组织微观结构估计的人工智能：概述
人工智能（AI）已在磁性共振成像（DMRI）和其他神经影像模式的领域取得了显着进步。这些技术已应用于各个领域，例如图像重建，降解，检测和去除工件，分割，组织微观结构建模，大脑连接性分析和诊断支持。最新的AI算法有可能利用DMRI中的优化技术来通过生物物理模型提高灵敏度和推断。虽然在大脑微观结构中使用AI有可能彻底改变我们研究大脑和了解脑部疾病的方式，但我们需要意识到可以进一步推进这一领域的陷阱和新兴的最佳实践。此外，由于DMRI扫描依赖于Q空间几何形状的采样，因此它为数据工程的创造力留出了空间，以最大程度地提高先前的推断。的固有几何形状的利用已被证明可以提高一般推断质量，并且可能在识别病理差异方面更可靠。我们使用这些统一特征来承认并分类了基于AI的DMRI方法。本文还强调并审查了通过数据驱动技术涉及组织微观结构估算的一般实践和陷阱，并提供了在其上构建的方向。
打印大脑：用于 MRI 的微结构地面实况模型
磁共振成像 (MRI) 已成为脑部活体检查的主要成像技术。除了解剖和功能 MRI 之外，扩散 MRI (dMRI) 还广泛用于临床和研究，以评估组织结构和纤维方向，尤其是在神经系统中。虽然扩散张量成像是评估方向测量的最广泛方法，但也提出了其他更复杂的模型。然而，dMRI 的验证是一项具有挑战性的工作，需要专门的测试样本。本文显示，双光子聚合 (2PP) 3D 打印允许制造此类测试对象，也称为幻影。在升级 2PP 制造工艺后，可以创建具有高空间分辨率和足够尺寸的 3D 结构，以便在人体 7T MRI 扫描仪中成像。这些幻影可靠地模拟了人类白质，从而能够系统地验证和确认 dMRI 数据及其分析。 3D 打印结构包含多达 51,000 个微通道，可模拟较大轴突的扩散行为，每个微通道的横截面积为 12 × 12 μ m 2，平行和交叉排列。获取的 dMRI 数据显示并验证了这些新型脑模型的实用性。
针对儿童脑白质研究的可分析且质量可控的资源
我们创建了一套资源，用于基于健康脑网络 (HBN) 研究的公开扩散 MRI (dMRI) 数据开展研究。首先，我们将 HBN dMRI 数据 (N = 2747) 整理到脑成像数据结构中，并根据最佳实践对其进行预处理，包括去噪和校正运动效应、与磁化率相关的失真和涡流。预处理后可供分析的数据已公开。数据质量在 dMRI 分析中起着关键作用。为了优化 QC 并将其扩展到这个大型数据集，我们通过专家评分的小型数据子集和社区科学家评分的大型数据集的组合来训练神经网络。该网络在保留集 (ROC-AUC = 0.947) 上执行的 QC 与专家的 QC 高度一致。对神经网络的进一步分析表明，它依赖于与 QC 相关的图像特征。总而言之，这项工作既为推动大脑连接和儿童心理健康的跨诊断研究提供了资源，也为大型数据集的自动化质量控制建立了新的范式。
用于验证纤维束成像和评估伪影的物理和数字模型
纤维束成像广泛用于通过扩散加权磁共振成像 (dMRI) 在体内非侵入性地绘制白质束。与所有科学方法一样，无论是在基础神经科学领域还是在临床环境中，适当的验证都是成功应用纤维束成像的关键先决条件。众所周知，从局部扩散信号间接估计纤维束非常模糊且极具挑战性。此外，纤维束成像方法的验证因缺乏真实的基础事实而受到阻碍，这是由极其复杂的大脑微结构造成的，这种微结构无法通过非侵入性直接观察到，而大脑中庞大的长距离纤维连接网络的基础正是纤维束成像方法的实际目标。作为可用于验证的真实基础事实的体内数据的替代品，一种广泛且成功采用的方法是使用合成幻影。在这项工作中，我们概述了物理和数字幻影领域的最新技术，回答了以下指导性问题：“什么是 dMRI 幻影，它们有什么用处？”，“用于验证纤维束成像的理想幻影是什么样的？”和“研究界可以使用哪些幻影、幻影数据集和用于创建它们的工具？”。我们将进一步讨论使用 dMRI 幻影的局限性和机遇，以及该研究领域未来可能的发展方向。
4446 - 通过...估计脑肿瘤中的血管分数
描述脑肿瘤的微环境对于诊断和治疗后续评估至关重要，但目前的非侵入性成像技术未能达到这一目标，临床医生通常不得不依赖侵入性程序，例如活检和组织病理学。肿瘤组织的细胞和血管成分在临床上与表征肿瘤生物学态度最为相关。细胞组成可以通过扩散加权 MRI (dMRI) 来评估：在细胞含量高的区域，扩散受到强烈阻碍或限制。另一方面，血管成分通常用灌注 MRI 技术来研究，例如动态对比增强 (DCE) 或动态磁化率对比 (DSC) MRI，这些技术需要注射造影剂。或者，也可以通过 dMRI 将灌注检测为扩散率非常高的区域（伪扩散）。 VERDICT（肿瘤中细胞计数的血管、细胞外和受限扩散）是一种多区室建模框架，用于对肿瘤组织的血管、细胞外和受限成分进行建模。它在身体肿瘤（尤其是前列腺癌）中表现出诊断效用和高重复性。本研究的目的是使用 VERDICT 框架找到一种临床上有用的脑肿瘤微结构模型。特别是，我们专注于血管成分，并将我们的结果（源自 dMRI）与独立灌注 MRI 指标（例如 DCE 衍生的血浆量 (Vp) 和 DSC 衍生的脑血容量 (CBV)）相关联。
alpha节奏的开发与视觉白质途径和视觉检测性能有关
alpha是静止人体中最强的电生理节奏。尽管在脑电图信号中占主导地位，但在发育过程中可以观察到α性质的巨大变化，并且在儿童期和成年期间α频率的增加。在这里，我们检验了以下假设：α节奏中的这些变化与视觉白质途径的成熟有关。我们以大型扩散MRI（DMRI）-EEG数据集（DMRI n = 2,747，EEG N = 2,561）的儿童和青少年（年龄范围5-11岁）的儿童和青少年进行了大写，并显示出特定于Alpha频率的发育范围。行为分析还证实了α频率的变化与视觉感知的成熟变化有关。目前的发现证明了白质组织特性，电生理反应和行为之间的发育变化之间的密切联系。