Equivariant spatio-hemispherical networks for diffusion MRI deconvolution

要約

拡散 MRI (dMRI) 画像内の各ボクセルには、脳内の水の拡散の方向と強さに対応する球状信号が含まれています。
この論文は、$\mathbf{E(3) \times SO(3)}$ グループと等価で、回転、平行移動を含む dMRI の物理的対称性を説明する畳み込みネットワーク層を開発することにより、そのような空間球状データの解析を進めます。
、およびボクセルごとの回転に伴う空間の反射。
さらに、神経線維は通常対蹠対称であるため、この事実を利用して高効率の空間半球グラフ畳み込みを構築し、高次元 dMRI データの解析を加速します。
白質微細構造を回復するためのまばらな球面線維デコンボリューションのコンテキストでは、私たちが提案する等変ネットワーク層は大幅なパフォーマンスと効率の向上をもたらし、交差する神経線維と線維トラクトグラフィーのより優れた実用的な解像度につながります。
これらのゲインは、シミュレーションと生体内ヒト データセットの両方にわたって実験的に一貫しています。

要約(オリジナル)

Each voxel in a diffusion MRI (dMRI) image contains a spherical signal corresponding to the direction and strength of water diffusion in the brain. This paper advances the analysis of such spatio-spherical data by developing convolutional network layers that are equivariant to the $\mathbf{E(3) \times SO(3)}$ group and account for the physical symmetries of dMRI including rotations, translations, and reflections of space alongside voxel-wise rotations. Further, neuronal fibers are typically antipodally symmetric, a fact we leverage to construct highly efficient spatio-hemispherical graph convolutions to accelerate the analysis of high-dimensional dMRI data. In the context of sparse spherical fiber deconvolution to recover white matter microstructure, our proposed equivariant network layers yield substantial performance and efficiency gains, leading to better and more practical resolution of crossing neuronal fibers and fiber tractography. These gains are experimentally consistent across both simulation and in vivo human datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google