DeepDTI：使用深度学习的高保真六方向扩散张量成像
DeepDTI：使用深度学习实现高保真六方向扩散张量成像
研究背景及研究动机
扩散张量磁共振成像（Diffusion Tensor Imaging, DTI）在活体人脑组织微结构和结构连接性映射方面具有无可比拟的优势。然而，传统的DTI技术因为角度采样的要求导致扫描时间过长，制约了其在常规临床实践和大规模研究中的应用。为了克服这一瓶颈，研究者们开发了一种新的DTI处理框架，称为DeepDTI，通过数据驱动的监督深度学习最小化DTI的数据需求。本文的目的在于展示如何使用DeepDTI显著减少DTI的采样数据量，从而实现更快的扫描速度，同时保持高质量的成像结果。
论文来源
这篇论文的主要作者包括Qiyuan Tian, Berkin Bilgic, Qiuyun Fan, Congyu Liao等，分别来自于麻省总医院的Athinoula A. Martinos生物医学成像中心、哈佛医学院、麻省理工学院健康科学与技术部门以及斯坦福大学电气工程系。论文发表于2020年10月1日的《Neuroimage》期刊。
研究流程
研究方法
DeepDTI框架的设计基于对扩散磁共振成像物理学的深入理解。其创新之处在于利用10层三维卷积神经网络（Convolutional Neural Network, CNN），将输入的非扩散加权（b = 0）图像和六个优化的扩散加权图像（DWI），以及T1加权和T2加权图像，映射到输入图像与输出高质量图像之间的残差。DeepDTI的输入和输出经过特别设计，利用残差学习改进CNN的性能，并实现高质量DWI的张量拟合，以生成用于路径追踪的方向性DTI指标。
数据处理：
数据采集:
- 本研究使用人类连接组项目（Human Connectome Project, HCP）公共数据库中的70名无关健康受试者的预处理扩散、T1加权和T2加权MRI数据。
- 扩散MRI数据在1.25毫米各向同性分辨率下获取，包括四个b值（0、1、2、3ms/μm²）和两个相位编码方向（左右和右左）。
图像预处理:
- 使用FSL软件对图像进行了易摆偏移和涡流失真校正。对已获取的图像数据进行了脑组织分割，排除脑脊液（CSF）。
- 原始数据通过最小二乘法进行扩散张量拟合，以获得一系列DTI指标。
模型训练:
- 将CNN的输入图像标准化，并使用Adam优化器优化CNN参数。通过随机选择不同角度采样的RAW数据，生成用于训练和验证的数据集。
- 采用峰值信噪比（PSNR）和结构相似性指数（SSIM）等指标评估模型性能。
实验结果：
DeepDTI的输出图像在噪声抑制和细节保真度方面表现显著优于原始图像和最先进的BM4D去噪算法。定量评估结果表明，DeepDTI输出图像在PSNR和SSIM方面均有显著提升。以下是几个关键结果： - 输入和输出b = 0图像以及DWI图像的PSNR分别为34.6 dB和31.9 dB。 - 在20名评估对象中，DeepDTI生成的DTI指标的均方误差显著低于原始数据和BM4D去噪数据。 - DeepDTI生成的白质束径迹追踪结果与使用全部数据（18 b = 0图像和90 DWI）生成的地面真实结果相比，其主白质纤维束的核心距离为1-1.5毫米。
研究结论
DeepDTI在显著减少DTI采样需求的同时，能保持甚至超越现有方法在成像质量和DTI分析中的优异表现。通过将采集要求减少到一个b = 0图像和六个DWI图像，DeepDTI将DTI扫描时间缩短至30-60秒，使其在临床和研究环境中更为实际和易用。有了DeepDTI，高保真DTI可以成为一种常规成像模态，大幅提高扫描效率，特别是适用于难以静止的患者或幼儿。
研究亮点
- 创新性的DeepDTI框架设计，通过残差学习提高了CNN性能，实现高质量扩散张量成像。
- 通过最少量的采样数据（一个b = 0图像和六个DWI），DeepDTI在保真度和准度方面显著超越了现有方法。
- 深度学习的应用使得复杂的微结构成像分析成为可能，提高了扩散MR数据的利用率和准确性。
意义和应用价值
DeepDTI的成功展示了深度学习在挖掘成像数据中隐藏信息方面的巨大潜力。该方法不仅提高了DTI的成像效率和质量，还为进一步研究和应用提供了广阔的前景，特别是在需要快速和高质量DTI的临床和神经科学研究中。
通过本研究，DTI成像的时间大幅缩短，使其成为常规成像检查的一部分，提高了临床诊断和研究效率，特别是在处理运动不稳患者和幼儿时，极具实用价值。