扩散MRI中的规范等变卷积神经网络：突破成像技术瓶颈

《Scientific Reports》：Gauge equivariant convolutional neural networks for diffusion MRI

在扩散MRI（dMRI）领域，研究人员面临成像时间长、成本高及临床应用受限等问题。Uzair Hussain与Ali R. Khan团队开展研究，提出规范等变卷积神经网络（gCNN）技术，成功降低dMRI扫描方向需求，提升成像效率，为神经影像研究及临床应用带来新突破。

　　扩散MRI（dMRI）是一种在神经影像研究中广泛应用的成像技术，能够通过追踪水分子的扩散来获取组织的微观结构信息，尤其在脑部成像中，可揭示白质纤维的完整性和方向以及灰质神经元的方向和分散情况。然而，dMRI存在一个显著的缺点：为了获得可靠的角分辨率，需要采集大量不同梯度方向的图像，这导致扫描时间延长、成本增加，严重阻碍了其在临床中的广泛应用。 为解决这一问题，来自加拿大西安大略大学的Uzair Hussain与Ali R. Khan团队开展了创新性研究。他们引入了规范等变卷积神经网络（gCNN）技术，专门针对dMRI信号采集于球面上且具有对极点识别的特点。该技术基于真实射影平面（RP2）这一非欧几里得、不可定向流形，与传统适用于矩形网格的卷积神经网络（CNN）形成鲜明对比。研究团队将该方法应用于仅从六个扩散梯度方向预测扩散张量成像（DTI）参数的任务中，通过引入的对称性，gCNN能够在训练时使用更少的受试者样本，相比仅涉及3D卷积的基线模型具有显著优势。 研究人员采用的实验数据来自人类连接组项目（HCP）的年轻成年3T研究。他们使用HCP协议中的前90个方向，并利用FSL的dti?t工具获得分数各向异性（FA）和主特征向量V?作为真实值。实验中，40名随机受试者用于训练，25名随机受试者用于测试。此外，还计算了排除脑脊液（CSF）的脑掩膜。 在技术方法上，研究团队构建了两种模型架构：一种是包含两组3D卷积的基线模型；另一种是将3D卷积输出通过四层规范等变卷积层的改进模型。对于规范等变模型，输入数据首先通过三个3D卷积层，然后将输出投影到二十面体上并展平为矩形网格。这一过程利用了逆距离加权插值采样，并对对极点取平均值。随后，数据通过四层规范等变卷积层，每层包含64个通道，并采用分组批量归一化和ReLU非线性激活函数。在最后一层，通过方向池化层将旋转/反射方向合并。最终，将批处理维度恢复为原始的163形状，并将输入信号添加到输出中，以获得预测信号。 研究结果显示，规范等变模型在预测FA和V?方面优于基线模型。特别是在仅使用15名训练受试者时，规范等变模型的性能已接近基线模型使用40名受试者时的水平。此外，该模型对输入梯度方向的变化具有更好的鲁棒性，即使在随机旋转或随机选择梯度方向的情况下，仍能保持较好的预测性能。 该研究在《Scientific Reports》上发表，为dMRI技术的发展提供了新的思路。通过规范等变卷积神经网络的应用，不仅提高了成像效率，降低了扫描时间和成本，还为神经影像研究和临床应用提供了更高效、更准确的工具。未来，随着该技术的进一步优化和推广，有望在更广泛的医学领域发挥重要作用，为疾病的早期诊断和治疗提供有力支持。