Phy-Diff: Physics-guided Hourglass Diffusion Model for Diffusion MRI Synthesis

要約

拡散 MRI (dMRI) は、取得コストが高い重要な神経画像技術です。
深層学習アプローチは、dMRI を強化し、アンダーサンプリングされた dMRI を通じて拡散バイオマーカーを予測するために使用されています。
より包括的な生の dMRI を生成するために、条件として b 値と b ベクトルを含める敵対的生成ネットワーク ベースの方法が提案されていますが、不安定なトレーニングとあまり望ましくない多様性によって制限されます。
新しい拡散モデル (DM) は、生成パフォーマンスの向上を約束します。
しかし、より関連性の高い世代のために DM を調整する際に重要な情報、つまり dMRI や白質路の構造の物理的原理を含めることは依然として困難です。
この研究では、高品質の dMRI を生成するための物理誘導拡散モデルを提案します。
私たちのモデルは、拡散プロセスにおけるノイズの進化における dMRI の物理原理を導入し、拡散モデル内にクエリベースの条件付きマッピングを導入します。
さらに、世代の解剖学的詳細を強化するために、アダプター技術を採用することにより、白質路に先立ってXTRACTアトラスを導入します。
私たちの実験結果は、私たちの方法が他の最先端の方法よりも優れており、dMRI 増強を前進させる可能性があることを示しています。

要約(オリジナル)

Diffusion MRI (dMRI) is an important neuroimaging technique with high acquisition costs. Deep learning approaches have been used to enhance dMRI and predict diffusion biomarkers through undersampled dMRI. To generate more comprehensive raw dMRI, generative adversarial network based methods are proposed to include b-values and b-vectors as conditions, but they are limited by unstable training and less desirable diversity. The emerging diffusion model (DM) promises to improve generative performance. However, it remains challenging to include essential information in conditioning DM for more relevant generation, i.e., the physical principles of dMRI and white matter tract structures. In this study, we propose a physics-guided diffusion model to generate high-quality dMRI. Our model introduces the physical principles of dMRI in the noise evolution in the diffusion process and introduce a query-based conditional mapping within the difussion model. In addition, to enhance the anatomical fine detials of the generation, we introduce the XTRACT atlas as prior of white matter tracts by adopting an adapter technique. Our experiment results show that our method outperforms other state-of-the-art methods and has the potential to advance dMRI enhancement.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google