Spatio-Angular Convolutions for Super-resolution in Diffusion MRI

要約

拡散 MRI (dMRI) は広く使用されている画像診断モダリティですが、高解像度のデータセットを取得するには長いスキャン時間が必要です。
このドメイン内に存在する独自のジオメトリを活用することで、パラメトリック連続畳み込み (PCConv) フレームワークを拡張した dMRI 角度超解像への新しいアプローチを提案します。
フーリエ特徴マッピング、グローバル座標、ドメイン固有のコンテキストなど、操作にいくつかの追加機能を導入します。
このフレームワークを使用して、フルパラメトリック連続畳み込みネットワーク (PCCNN) を構築し、既存のモデルと比較します。
大幅に少ないパラメータを使用しながら、PCCNN が競争力のあるパフォーマンスを発揮することを実証します。
さらに、我々は、この定式化がフィクセルベースの分析、神経突起配向分散および密度イメージングなどの臨床的に関連する下流分析によく一般化することを示します。

要約(オリジナル)

Diffusion MRI (dMRI) is a widely used imaging modality, but requires long scanning times to acquire high resolution datasets. By leveraging the unique geometry present within this domain, we present a novel approach to dMRI angular super-resolution that extends upon the parametric continuous convolution (PCConv) framework. We introduce several additions to the operation including a Fourier feature mapping, global coordinates, and domain specific context. Using this framework, we build a fully parametric continuous convolution network (PCCNN) and compare against existing models. We demonstrate the PCCNN performs competitively while using significantly less parameters. Moreover, we show that this formulation generalises well to clinically relevant downstream analyses such as fixel-based analysis, and neurite orientation dispersion and density imaging.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google