[论文解读] Fast Fiber Orientation Estimation in Diffusion MRI from kq-Space Sampling and Anatomical Priors

Marica Pesce, Audrey Repetti+4 more|arXiv (Cornell University)|Oct 27, 2021

Advanced Neuroimaging Techniques and Applications参考文献 59被引用 3

一句话总结

本文提出了一种基于压缩感知的快速方法，用于在3D kq空间欠采样和解剖学先验条件下，对扩散MRI中的高分辨率纤维方向分布（FOD）进行估计。通过结合结构化稀疏性、组织分割约束以及随机前向-后向优化算法，该方法能够从严重欠采样的kq空间数据中实现精确的FOD重建，显著缩短扫描时间，同时保持临床可行性。

ABSTRACT

High spatio-angular resolution diffusion MRI (dMRI) has been shown to provide accurate identification of complex neuronal fiber configurations, albeit, at the cost of long acquisition times. We propose a method to recover intra-voxel fiber configurations at high spatio-angular resolution relying on a 3D kq-space under-sampling scheme to enable accelerated acquisitions. The inverse problem for the reconstruction of the fiber orientation distribution (FOD) is regularized by a structured sparsity prior promoting simultaneously voxel-wise sparsity and spatial smoothness of fiber orientation. Prior knowledge of the spatial distribution of white matter, gray matter, and cerebrospinal fluid is also leveraged. A minimization problem is formulated and solved via a stochastic forward–backward algorithm. Simulations and real data analysis suggest that accurate FOD mapping can be achieved from severe kq-space under-sampling regimes potentially enabling high spatio-angular resolution dMRI in the clinical setting.

研究动机与目标

• 通过减少采集时间来加速高空间-角度分辨率的扩散MRI。
• 解决在严重kq空间欠采样条件下FOD估计的不适定逆问题。
• 通过整合解剖学先验（组织分割）和结构化稀疏性来提高重建精度。
• 通过缩短扫描时间，实现高分辨率dMRI的临床可行性。
• 开发一种计算高效、内存轻量的重建框架，采用随机优化。

提出的方法

• 采用3D kq空间欠采样方案以加速数据采集，同时保持高角度分辨率。
• 将FOD恢复问题表述为带有非负性和结构化稀疏性约束的凸正则化最小化问题。
• 通过非扩散加权图像导出的组织分割约束引入解剖学先验，强制白质、灰质和脑脊液的空间一致性。
• 通过联合稀疏性诱导先验强制实现体素级稀疏性和纤维方向的空间平滑性。
• 采用随机前向-后向算法求解最小化问题，实现对多通道数据的高效处理，显著降低内存占用和计算时间。
• 应用重加权方案以迭代方式优化解，提升收敛性和精度。

实验结果

研究问题

• RQ1 严重的kq空间欠采样是否能够在临床可行的扫描时间内实现高空间和角度分辨率的FOD估计？
• RQ2 在欠采样条件下，整合解剖学先验（组织分割和结构化稀疏性）如何提升FOD重建精度？
• RQ3 与确定性或两步法重建相比，随机优化方法在速度、内存使用和精度方面是否更具优势？
• RQ4 与仅q空间欠采样相比，kq空间欠采样在FOD恢复性能方面表现如何？
• RQ5 当存在运动引起的相位误差时，该方法是否仍能保持精度？这些误差如何被缓解？

主要发现

• 所提方法能够从严重欠采样的kq空间数据中实现精确的FOD映射，支持在缩短扫描时间下实现高空间-角度分辨率的dMRI。
• 与未使用此类先验的方法相比，组织分割和结构化稀疏性先验的整合显著提升了FOD重建精度。
• 随机前向-后向算法在保持与确定性方法相当性能的同时，显著降低了内存需求和总计算时间。
• 在相同的总体欠采样率下，kq空间欠采样优于仅q空间欠采样，表明k空间采样效率至关重要。
• 在合成数据和真实数据实验中，该方法在性能上均优于标准的kq空间欠采样方法以及传统的两步重建流程（先DWI后FOD）。
• 当使用低分辨率的中心k空间区域进行相位估计时，该方法对运动引起的相位误差仍具有鲁棒性，尽管采用更先进的校准方法可能进一步提升性能。