FetDTIAlign: A Deep Learning Framework for Affine and Deformable Registration of Fetal Brain dMRI

要約

拡散MRI（DMRI）は、子宮内の胎児脳微細構造に関するユニークな洞察を提供します。
縦方向および横断的胎児DMRI研究は、重要な神経発達の変化を明らかにすることができますが、スキャンと被験者間の正確な空間的アライメントが必要です。
これは、データ品質の低さ、急速な脳の発達、および解剖学的ランドマークが限られているため、困難です。
高品質のアダルトデータ向けに設計された既存の登録方法は、これらの複雑さに苦しんでいます。
これに対処するために、胎児の脳DMRI登録の深い学習アプローチであるFetdtialignを紹介し、正確なアフィンと変形可能なアライメントを可能にします。
fetdtialignは、デュアルエンコーダーアーキテクチャと反復機能ベースの推論を備えており、ノイズと低解像度の影響を減らします。
各登録段階でネットワーク構成とドメイン固有の機能を最適化し、堅牢性と精度の両方を向上させます。
23から36週の妊娠のデータに関するFetdtialignを検証し、60の白質路をカバーしました。
それは一貫して2つの古典的な最適化ベースの方法と深い学習パイプラインを上回り、優れた解剖学的対応を達成しました。
発展途上のHuman Connectomeプロジェクトの外部データのさらなる検証により、取得プロトコル全体の一般化可能性が確認されました。
我々の結果は、胎児の脳DMRI登録の深い学習の実現可能性を示しており、古典的な手法に代わるより正確で信頼できる代替品を提供します。
正確なクロスサブジェクトおよびトラクト固有の分析を可能にすることにより、fetdtialignは初期の脳の発達における新しい発見をサポートします。

要約(オリジナル)

Diffusion MRI (dMRI) provides unique insights into fetal brain microstructure in utero. Longitudinal and cross-sectional fetal dMRI studies can reveal crucial neurodevelopmental changes but require precise spatial alignment across scans and subjects. This is challenging due to low data quality, rapid brain development, and limited anatomical landmarks. Existing registration methods, designed for high-quality adult data, struggle with these complexities. To address this, we introduce FetDTIAlign, a deep learning approach for fetal brain dMRI registration, enabling accurate affine and deformable alignment. FetDTIAlign features a dual-encoder architecture and iterative feature-based inference, reducing the impact of noise and low resolution. It optimizes network configurations and domain-specific features at each registration stage, enhancing both robustness and accuracy. We validated FetDTIAlign on data from 23 to 36 weeks gestation, covering 60 white matter tracts. It consistently outperformed two classical optimization-based methods and a deep learning pipeline, achieving superior anatomical correspondence. Further validation on external data from the Developing Human Connectome Project confirmed its generalizability across acquisition protocols. Our results demonstrate the feasibility of deep learning for fetal brain dMRI registration, providing a more accurate and reliable alternative to classical techniques. By enabling precise cross-subject and tract-specific analyses, FetDTIAlign supports new discoveries in early brain development.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google