AID-DTI: Accelerating High-fidelity Diffusion Tensor Imaging with Detail-Preserving Model-based Deep Learning

要約

ディープラーニングは拡散テンソル画像（DTI）の高速化に大きな可能性を示している。しかしながら、既存の手法では、特にスパースサンプリングされたq空間データを用いた場合、DTI由来のパラメトリックマップを再構成する際に、リシアンノイズやディテールロスに悩まされる傾向がある。本論文では、わずか6回の測定で高速かつ高精度なDTIを実現する新しい手法、AID-DTI（Accelerating hIgh fiDelity Diffusion Tensor Imaging）を提案する。AID-DTIは、新たに設計された特異値分解（SVD）ベースの正則化器を備えており、ネットワーク学習中のノイズを抑制しながら、微細なディテールを効果的に捉えることができる。Human Connectome Project (HCP)のデータを用いた実験の結果、提案手法がきめ細かなDTIパラメータマップを推定し、定量的にも定性的にも3つの最新手法を上回ることが一貫して実証された。

要約(オリジナル)

Deep learning has shown great potential in accelerating diffusion tensor imaging (DTI). Nevertheless, existing methods tend to suffer from Rician noise and detail loss in reconstructing the DTI-derived parametric maps especially when sparsely sampled q-space data are used. This paper proposes a novel method, AID-DTI (Accelerating hIgh fiDelity Diffusion Tensor Imaging), to facilitate fast and accurate DTI with only six measurements. AID-DTI is equipped with a newly designed Singular Value Decomposition (SVD)-based regularizer, which can effectively capture fine details while suppressing noise during network training. Experimental results on Human Connectome Project (HCP) data consistently demonstrate that the proposed method estimates DTI parameter maps with fine-grained details and outperforms three state-of-the-art methods both quantitatively and qualitatively.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL