[论文解读] A Unified Learning Model for Estimating Fiber Orientation Distribution Functions on Heterogeneous Multi-shell Diffusion-weighted MRI

Tianyuan Yao, Nancy R. Newlin+7 more|arXiv (Cornell University)|Mar 29, 2023

Advanced Neuroimaging Techniques and Applications被引用 4

一句话总结

本文提出一种单阶段球面卷积神经网络（spherical CNN），并引入动态头机制，用于从异质多壳扩散加权磁共振成像（multi-shell diffusion-weighted MRI）中统一、端到端地估计纤维方向分布函数（fODFs）。通过联合建模q空间与径向b值信息，该方法在不同壳层配置下均优于多阶段学习方法，在fODF精度与扫描-重扫描一致性方面表现更优，在HCP年轻成人数据集上达到最先进性能。

ABSTRACT

Diffusion-weighted (DW) MRI measures the direction and scale of the local diffusion process in every voxel through its spectrum in q-space, typically acquired in one or more shells. Recent developments in micro-structure imaging and multi-tissue decomposition have sparked renewed attention to the radial b-value dependence of the signal. Applications in tissue classification and micro-architecture estimation, therefore, require a signal representation that extends over the radial as well as angular domain. Multiple approaches have been proposed that can model the non-linear relationship between the DW-MRI signal and biological microstructure. In the past few years, many deep learning-based methods have been developed towards faster inference speed and higher inter-scan consistency compared with traditional model-based methods (e.g., multi-shell multi-tissue constrained spherical deconvolution). However, a multi-stage learning strategy is typically required since the learning process relies on various middle representations, such as simple harmonic oscillator reconstruction (SHORE) representation. In this work, we present a unified dynamic network with a single-stage spherical convolutional neural network, which allows efficient fiber orientation distribution function (fODF) estimation through heterogeneous multi-shell diffusion MRI sequences. We study the Human Connectome Project (HCP) young adults with test-retest scans. From the experimental results, the proposed single-stage method outperforms prior multi-stage approaches in repeated fODF estimation with shell dropoff and single-shell DW-MRI sequences.

研究动机与目标

• 解决依赖中间表示（如SHORE）的多阶段深度学习流水线在多壳扩散MRI中的局限性。
• 开发一种单一、统一的模型，可无需微调即可处理任意b值组合。
• 提升在异质多壳采集中fODF估计的跨扫描一致性与精度。
• 通过动态调整网络头以适应不同壳层配置，实现即插即用的微结构特性估计。
• 在fODF预测与组织体积分数估计方面，超越基于模型的方法（如MSMT-CSD）与数据驱动基线方法。

提出的方法

• 在多壳DW-MRI数据上端到端训练单阶段球面卷积神经网络（SCNN），直接从原始q空间信号映射至fODF表示。
• 引入动态头机制，根据输入壳层配置自适应调整最终全连接层，实现对不同b值组合的泛化能力。
• 网络同时利用角度（球面）与径向（b值）信号维度，避免使用SHORE或球面谐函数等中间表示。
• 采用均方误差（MSE）损失进行组织体积分数预测，采用角相关系数（ACC）损失衡量fODF与真实值的相似性。
• 在包含测试-重测扫描的HCP数据上评估模型的可重复性与泛化能力。
• 与每种壳层配置独立训练的模型及基线深度学习与基于模型的方法（如MSMT-CSD）进行对比。

Figure 1 : Utilizing multi-shell DW-MRI signals in deep learning usually requires independent models trained for each specific shell configuration as conventional SH-based modeling cannot directly leverage additional information (radial space) provided by multi-shell acquisitions. In our study, the

实验结果

研究问题

• RQ1 单一深度学习模型是否能在无需微调的情况下泛化至多种多壳扩散MRI配置？
• RQ2 与多阶段方法相比，通过联合建模q空间与径向b值信息的端到端学习是否能提升fODF估计精度？
• RQ3 所提方法在fODF与组织体积分数估计方面的扫描-重扫描一致性表现如何？
• RQ4 动态头机制是否能有效适应不同b值组合，同时保持高性能？
• RQ5 统一模型是否在fODF预测与组织分数恢复方面均优于基于模型（如MSMT-CSD）与数据驱动基线方法？

主要发现

• 所提单阶段方法在所有壳层配置下的平均角相关系数（ACC）达到0.824，优于最佳基线（0.815）与银标准（MSMT-CSD）的fODF预测性能。
• 采用动态头与球面卷积的统一模型在完整三壳配置（C1,2,3）下取得最高ACC（0.837），甚至超越独立训练的模型。
• 扫描-重扫描一致性显著提升，统一模型在完整多壳数据上的一致性评分为0.865，优于MSMT-CSD银标准（0.856）。
• 组织体积分数预测的MSE降低至5.92×10⁻⁴（完整多壳情况），为所有方法中最低，表明微结构估计性能更优。
• 动态头设计使单一模型可泛化至所有壳层配置，无需重新训练或为每种配置单独部署模型。
• 该方法在壳层缺失场景下仍保持高精度与一致性，而多阶段方法则出现性能下降甚至失效。

Figure 2 : This is a visualization of the fODF prediction and the correlation with the GT in different views. The background of the zoom-in patches shows the ACC spatial map with the GT signals.