[论文解读] AxonNet: A self-supervised Deep Neural Network for Intravoxel Structure Estimation from DW-MRI

Hanna Y. Ehrlich, Mariano Rivera|arXiv (Cornell University)|Mar 19, 2021

Advanced Neuroimaging Techniques and Applications被引用 4

一句话总结

AxonNet 提出了一种自监督深度学习框架，利用多层感知机（MLP）从 DW-MRI 数据中估计微结构轴突结构，而无需依赖真实标注数据。该方法借助生成式扩散多张量模型生成合成数据，在保持显著更快推理速度的同时实现了最先进（SOTA）的准确性——处理整个体积仅需数分钟，而 SOTA 方法需数小时，该方法在包括斯坦福大学和本地采集在内的合成与真实 HARDI 数据集上均得到验证。

ABSTRACT

We present a method for estimating intravoxel parameters from a DW-MRI based on deep learning techniques. We show that neural networks (DNNs) have the potential to extract information from diffusion-weighted signals to reconstruct cerebral tracts. We present two DNN models: one that estimates the axonal structure in the form of a voxel and the other to calculate the structure of the central voxel using the voxel neighborhood. Our methods are based on a proposed parameter representation suitable for the problem. Since it is practically impossible to have real tagged data for any acquisition protocol, we used a self-supervised strategy. Experiments with synthetic data and real data show that our approach is competitive, and the computational times show that our approach is faster than the SOTA methods, even if training times are considered. This computational advantage increases if we consider the prediction of multiple images with the same acquisition protocol.

研究动机与目标

• 开发一种自监督深度学习方法，从 DW-MRI 数据中估计微结构轴突结构，且不依赖真实标注数据。
• 通过使用基于正式扩散多张量模型生成的合成信号，解决 DW-MRI 分析中真实真值数据有限的挑战。
• 通过支持整个大脑体积的快速推理，提升高角分辨率 DW-MRI（HARDI/super-HARDI）的计算效率。
• 在合成与真实数据上，通过不同采集协议和空间支持区域（体素级 vs. 小区域块级）评估性能。
• 证明使用合成数据进行自监督训练可获得与监督方法或 SOTA 方法在纤维取向估计方面具有竞争力的结果。

提出的方法

• 采用自监督训练策略，利用具有已知参数（特征值、扩散张量、混合系数）的扩散多张量模型生成合成 DW-MRI 信号。
• 采用多层感知机（MLP）作为神经网络架构，从 DW-MRI 信号向量回归估计轴突结构参数（如纤维取向和体积分数）。
• 实施两种变体：体素级模型（VOX）和基于邻域的模型（NBH），后者使用 3×3×3 的信号块以提高估计鲁棒性。
• 对信号进行归一化处理（设 S₀ = 1），并施加物理约束，如非负混合系数（α > 0.1）和有序 α 值，以提升训练稳定性。
• 使用 Wasserstein 距离（地球移动距离）作为主要损失函数，用于比较预测结果与真值的纤维取向分布（FOD），相比仅使用角度误差，能实现更优的分布对齐。
• 在特定采集协议（梯度方向和 b 值）下生成的合成数据上训练网络，随后直接部署于真实数据上，无需微调。

实验结果

研究问题

• RQ1 自监督深度学习方法是否能在无需真实标注数据的情况下，实现对 DW-MRI 中微结构轴突结构估计的竞争力性能？
• RQ2 AxonNet 在合成与真实 DW-MRI 数据上的准确性和计算效率方面，与最先进方法（如 NNLS、CSD）相比表现如何？
• RQ3 通过 3×3×3 小区域块引入邻域上下文信息，是否能提升相比体素级预测的估计准确性？
• RQ4 该模型在未重新训练的情况下，对不同采集协议（如斯坦福 HARDI 与本地 325 信号协议）的泛化能力如何？
• RQ5 该模型是否能在保持高精度的同时实现实时推理，尤其在与计算密集型 SOTA 方法对比下？

主要发现

• AxonNet 的邻域模型（NBH）在斯坦福 HARDI 数据集上达到 0.81 的 Wasserstein 距离，显著优于 NNLS（27.08）和 CSD（6.08），表明其在分布对齐方面表现更优。
• 在噪声更高的本地数据集上，NBH 达到 1.90 的 Wasserstein 距离，显著优于 CSD（8.74）和 NNLS（114.32），证明其在低信噪比条件下的鲁棒性。
• 使用 VOX 模型处理整个斯坦福 HARDI 数据集的预测时间仅为 0.8 分钟（48 秒），而 CSD 和 NNLS 需耗时数小时，凸显其显著的计算优势。
• VOX 模型在斯坦福数据上训练耗时 1.24 秒，在本地数据集上同样耗时 1.24 秒；NBH 模型分别耗时 1.91 秒和 3.34 秒，表明即使在复杂数据上训练也极为高效。
• 视觉检查显示，AxonNet 的预测结果在高误差与低误差情况下均与真值高度一致，能准确检测峰信号，且相比 CSD 和 NNLS 减少了伪影。
• 该方法在不同采集协议间表现出强大的泛化能力，包括不同 b 值、梯度数量（150 与 64）和信号重复次数，且无需重新训练。