Spatio-Angular Convolutions for Super-resolution in Diffusion MRI

要約

拡散MRI(dMRI)は広く用いられているイメージングモダリティであるが、高解像度のデータセットを取得するためには長いスキャン時間が必要である。この領域に存在するユニークな形状を活用することで、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示する。フーリエ特徴マッピング、グローバル座標、領域固有のコンテキストなど、いくつかの追加要素を操作に導入する。このフレームワークを用いて、完全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する。PCCNNは、パラメータを大幅に削減しながら、競争力のある性能を示す。さらに、この定式化は、フィクセルベースの解析、神経突起の配向分散と密度イメージングなど、臨床に関連する下流の解析にうまく一般化できることを示す。

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, DeepL