[论文解读] Angular Super-Resolution in Diffusion MRI with a 3D Recurrent Convolutional Autoencoder

Matthew Lyon, Paul Armitage+1 more|arXiv (Cornell University)|Mar 29, 2022

Advanced Neuroimaging Techniques and Applications被引用 6

一句话总结

本文提出一种基于ConvLSTM单元的3D循环卷积自编码器，用于在扩散磁共振成像（dMRI）中实现角度超分辨率，直接从低分辨率数据推断出高角度分辨率的q空间信号，而无需依赖球面谐函数。该方法实现了最先进性能，其中3D RCNN模型在多种b值和采样方案下均表现出最低的误差率，尤其在极低角度分辨率条件下表现优异。

ABSTRACT

High resolution diffusion MRI (dMRI) data is often constrained by limited scanning time in clinical settings, thus restricting the use of downstream analysis techniques that would otherwise be available. In this work we develop a 3D recurrent convolutional neural network (RCNN) capable of super-resolving dMRI volumes in the angular (q-space) domain. Our approach formulates the task of angular super-resolution as a patch-wise regression using a 3D autoencoder conditioned on target b-vectors. Within the network we use a convolutional long short term memory (ConvLSTM) cell to model the relationship between q-space samples. We compare model performance against a baseline spherical harmonic interpolation and a 1D variant of the model architecture. We show that the 3D model has the lowest error rates across different subsampling schemes and b-values. The relative performance of the 3D RCNN is greatest in the very low angular resolution domain. Code for this project is available at https://github.com/m-lyon/dMRI-RCNN.

研究动机与目标

• 解决临床扫描时间有限导致高角度分辨率扩散磁共振成像（dMRI）采集受限的挑战。
• 通过直接推断原始dMRI信号，克服现有角度超分辨率方法依赖球面谐函数或下游指标的局限性。
• 开发一种3D循环架构，以建模q空间中的空间与角度相关性，提升重建保真度。
• 在不同角度分辨率和b值下评估模型性能，包括多壳层推理。
• 通过避免球面谐函数分解，证明在深度学习中使用无约束dMRI数据的可行性。

提出的方法

• 将角度超分辨率建模为基于3D自编码器架构的块级回归任务。
• 集成3D卷积长短期记忆（ConvLSTM）单元，以建模q空间样本在时间和空间上的依赖关系。
• 通过目标b向量对自编码器进行条件化，以指导高角度分辨率扩散信号的重建。
• 在WU-Minn人类连接组计划（HCP）数据集上端到端训练模型，采用平均绝对误差（MAE）和结构相似性（MSSIM）作为损失函数。
• 将3D RCNN与球面谐函数（SH）插值基线及1D RCNN变体进行比较，两者均在相同条件下进行训练与评估。
• 支持对多个b值进行独立和联合训练，以评估多壳层超分辨率能力。

实验结果

研究问题

• RQ1 3D循环卷积自编码器是否能在dMRI数据的角度超分辨率任务中超越球面谐函数插值和1D架构？
• RQ2 通过ConvLSTM实现的3D空间与时间（q空间）建模，相较于非循环或低维模型，能否显著提升重建精度？
• RQ3 在极低角度分辨率条件（如q_in = 6）下，3D RCNN的性能增益如何？
• RQ4 当联合训练多个b值时，模型是否具备泛化能力，其对重建质量有何影响？
• RQ5 所提方法在多大程度上能保持组织特异性指标（如部分各向异性FA），并减少白质与灰质区域的误差？

主要发现

• 3D RCNN在所有b值和采样比例下均实现了最低的平均绝对误差（MAE）42.6 ± 5.5，显著优于SH插值基线和1D RCNN。
• 在极低角度分辨率条件（q_in = 6）下，3D RCNN相比基线将MAE降低了23.8%，相比1D RCNN降低了12.5%。
• 3D RCNN实现了0.9633 ± 0.0088的平均结构相似性指数（MSSIM），表明重建的dMRI体积具有高度的感知与结构保真度。
• 该模型在白质（0.0353）和灰质（0.0357）区域的分数各向异性（FA）绝对误差最低，优于所有基线在组织特异性误差指标上的表现。
• 联合多b值训练设置的MAE为44.8 ± 6.2，仅比单独训练模型略有下降，表明其对多壳层推理具有强鲁棒性。
• 视觉与定量分析证实，3D RCNN有效保留了精细的角度结构并减少了伪影，尤其在对下游分析至关重要的白质区域表现突出。