[论文解读] NODDI-SH: a computational efficient NODDI extension for fODF estimation in diffusion MRI

Mauro Zucchelli, Maxime Descoteaux+1 more|arXiv (Cornell University)|Aug 28, 2017

Advanced Neuroimaging Techniques and Applications参考文献 10被引用 5

一句话总结

NODDI-SH 是 NODDI 的一种计算高效扩展，利用球谐函数（SH）联合估计扩散磁共振成像中的纤维取向分布函数（fODF）和轴突密度。通过将每个体素的扩散信号建模为单纤维响应函数与 fODF 的卷积，该方法实现了鲁棒、准确且快速的重建——在仅使用 60 个扩散梯度方向时即表现出可靠性能，使其适用于临床应用。

ABSTRACT

Diffusion Magnetic Resonance Imaging (DMRI) is the only non-invasive imaging technique which is able to detect the principal directions of water diffusion as well as neurites density in the human brain. Exploiting the ability of Spherical Harmonics (SH) to model spherical functions, we propose a new reconstruction model for DMRI data which is able to estimate both the fiber Orientation Distribution Function (fODF) and the relative volume fractions of the neurites in each voxel, which is robust to multiple fiber crossings. We consider a Neurite Orientation Dispersion and Density Imaging (NODDI) inspired single fiber diffusion signal to be derived from three compartments: intracellular, extracellular, and cerebrospinal fluid. The model, called NODDI-SH, is derived by convolving the single fiber response with the fODF in each voxel. NODDI-SH embeds the calculation of the fODF and the neurite density in a unified mathematical model providing efficient, robust and accurate results. Results were validated on simulated data and tested on extit{in-vivo} data of human brain, and compared to and Constrained Spherical Deconvolution (CSD) for benchmarking. Results revealed competitive performance in all respects and inherent adaptivity to local microstructure, while sensibly reducing the computational cost. We also investigated NODDI-SH performance when only a limited number of samples are available for the fitting, demonstrating that 60 samples are enough to obtain reliable results. The fast computational time and the low number of signal samples required, make NODDI-SH feasible for clinical application.

研究动机与目标

• 开发一种计算高效的联合估计方法，用于扩散磁共振成像中的 fODF 和轴突密度。
• 解决现有模型（如 NODDI 和 CSD）在处理交叉纤维和扇形纤维等复杂纤维构型时的局限性。
• 在保持鲁棒性和准确性的前提下降低计算成本，适用于临床环境。
• 实现在最小扩散梯度样本条件下的可靠重建，提升临床应用的可行性。

提出的方法

• NODDI-SH 将每个体素的扩散信号建模为单纤维响应函数与 fODF 的卷积，并利用球谐函数（SH）实现高效表示。
• 通过引入三个组分（细胞内（轴突）、细胞外和脑脊液（CSF））扩展 NODDI 模型，各组分具有不同的扩散特性。
• 利用勒让德多项式和球谐函数的解析解，实现 q 空间中信号的闭式计算。
• 基于球谐函数展开的统一数学框架，联合估计 fODF 和体积分数（轴突、细胞外、CSF）。
• 通过在球面上对 fODF 的积分恒等于 1 的约束条件，结合 SH 基的狄拉克峰性质，确保归一化和一致性。
• 利用 FORECAST 信号模型，推导出基于球谐系数和扩散参数的信号解析表达式。

实验结果

研究问题

• RQ1 基于球谐函数的 NODDI 扩展能否在复杂的白质构型中实现准确且鲁棒的 fODF 和轴突密度估计？
• RQ2 与 CSD 和标准 NODDI 等传统方法相比，NODDI-SH 在计算效率方面表现如何？
• RQ3 NODDI-SH 实现可靠估计所需的最少扩散梯度方向数是多少？
• RQ4 在典型临床环境中常见的低采样条件下，NODDI-SH 是否能保持准确性和鲁棒性？
• RQ5 在统一模型中联合估计 fODF 和体积分数，是否相比顺序或独立估计方法能提升微结构表征能力？

主要发现

• 与约束球形反卷积（CSD）相比，NODDI-SH 在 fODF 估计和轴突密度图绘制方面表现出具有竞争力的性能，且计算效率更高。
• 该方法在模拟数据和在体人类脑数据上均表现出鲁棒性和准确性，即使在纤维交叉和扇形结构下亦然。
• 仅使用 60 个扩散梯度方向，NODDI-SH 即可生成可靠且稳定的结果，显著减轻了数据采集负担。
• 计算时间明显低于标准 NODDI 和 CSD，使其适用于实时或临床应用。
• 基于球谐函数的解析公式实现了快速的闭式信号计算，避免了迭代优化，显著缩短处理时间。
• 通过使用球谐基函数和原点处的狄拉克峰性质，模型保持了正确的归一化和一致性。