跳到正文
原文
生物谷·资讯·· 14 天前精选AI 评分66

FOD-Diffusion填补dMRI信号空洞,脑干和眶额叶纤维追踪重新完整

修图AI见多了,修“四维脑图”的AI见过吗?Medical Image Analysis:FOD-Diffusion填补dMRI信号空洞,脑干和眶额叶纤维追踪重新完整

AI 导读

研究开发了一款名为FOD-Diffusion的AI工具,用于填补dMRI信号空洞,提升纤维追踪准确性。在英国生物银行和寿命人类连接组计划老龄化研究数据中,该工具显著改善了脑干和眶额叶的纤维追踪结果。

推荐理由

研究开发了一款基于扩散模型的生成式AI工具FOD-Diffusion,用于填补dMRI信号空洞,提升纤维追踪准确性。

正文

扩散磁共振成像(dMRI)是窥探大脑“布线”的得力工具,它能通过追踪水分子在脑组织中的运动方向勾勒出神经纤维的走向,让研究者得以观察大脑各区域之间如何连接。然而,这套工具并非万能。由于磁场的磁化率效应,扫描图像在某些脑区会产生信号丢失和几何畸变,即便经过成熟的畸变校正处理,仍会留下信号“空洞”,导致纤维取向分布(FOD)重建受损。这种损伤会严重影响纤维追踪和连接性分析,尤其是在脑干和眶额叶这些关键区域。

近日,一篇发表在国际杂志Medical Image Analysis上题为“Diffusion-based generative fiber orientation restoration from severe signal loss in diffusion-weighted MRI”的研究报告中,来自南加州大学等机构的科学家们通过研究开发了一款基于扩散模型的生成式AI工具FOD-Diffusion,其专门用来填补这些恼人的“缺角”。

要理解这项工作的难点,得先认识FOD是什么,FOD是扩散MRI数据中广泛使用的模型,用来表示每个体素内纤维的走向分布。它并非一张普通的三维图像,而是由球谐函数(SPHARM)表示的四维图像,第四维对应不同的阶数,且各阶之间存在依赖性。这就像一摞彼此关联的透明地图,每张图记录纤维模式的一个组成部分,合在一起才能看出每个点上纤维朝哪些方向延伸。正因如此,把普通图像修复的生成式模型直接搬过来并不好使。研究人员为此做了针对性设计:用体阶编码增强扩散模型在各个SPHARM阶上生成单个体积FOD的能力,再加入跨所有SPHARM阶提取的交叉注意力特征,以捕捉各阶FOD体积之间的依赖关系。同时,他们延续此前建立的畸变严重程度建模框架,以周围区域的FOD作为条件输入,维持几何连贯性。

研究者表示,大脑有些部位的MRI扫描回来时信息是缺的,就像照片被撕掉了一个角;他们的模型会观察每个缺口周围完好的组织,结合从没有缺口的扫描中学到的东西,推断那里最可能是什么。多数AI图像工具是为普通图片设计的,而大脑布线数据更像几十张相互关联、必须彼此吻合的地图叠加在一起,他们设计的模型在填补每一张图的同时,要让整摞图保持自洽。

文章中,研究人员使用英国生物银行(UK Biobank)1315名参与者和寿命人类连接组计划老龄化研究(HCP-Aging)679名参与者的数据进行训练和测试,这两个大型研究以老年人为主。在准确性验证中,研究人员在信号丢失极少的扫描里人为隐藏脑干部分区域,让模型重建。在43名测试参与者中,模型给出的主纤维方向与原始数据平均相差约1.4度,而对比的另外六种AI方法中表现最好的一种也相差约4.5度。在另外1172名英国生物银行参与者中,仅用标准工具校正的脑干纤维信息显著弱于信号丢失极少的参与者,而经AI模型恢复后,这一差异不再显著;在981名参与者的眶额叶区域,结果类似。对于信号丢失严重的参与者,标准校正数据在脑干处的皮质脊髓束追踪明显不完整,而AI恢复数据的追踪结果与信号丢失极少的参与者相比没有显著差异。

这项研究还有一个颇具实用价值的发现,MRI扫描仪可以从前到后、从后到前两个相反方向采集扩散图像,合并两个方向有助于校正畸变。HCP-Aging研究恰好采集了两个方向的完整扫描,让研究人员得以做对比。论文资深通讯作者、神经学与生物医学工程教授石永刚指出,扫描时间有限,许多大型脑成像研究只采集一个方向的完整数据。而在他们的测试中,用AI模型填补单向扫描的空缺,生成的关键运动通路图谱反而优于合并两个方向扫描的结果。这意味着研究者或许能从已经采集到的脑扫描数据中榨出更多价值。

当然,研究人员态度审慎:恢复的数据是有依据的估计,而非重新测回的真实值。由于没有哪份人类扩散扫描完全无畸变,他们以信号丢失最少的参与者作为参照,而非完美的金标准。该方法仍需在其他扫描仪和参数设置上测试,也尚未在患者诊疗中评估。研究人员计划将模型应用于阿尔茨海默病神经影像倡议和健康与老龄化大脑研究等大型数据集,模型代码已在GitHub上公开。研究者表示,大脑一些最重要的通路恰好穿过尤其难以成像的区域,公开这一工具是给研究者提供强化大型数据集分析的手段。

从技术角度看,这项工作把生成式AI从“修图”推进到“修四维脑图”,并解决了阶间依赖与几何连贯两个特殊难题;从应用角度看,它让那些因信号丢失而“断线”的脑区纤维追踪重新变得完整,为研究大脑连接随衰老和疾病如何变化提供了更可靠的数据基础。(生物谷Bioon.com)

参考文献:

Shuo Huang,Lujia Zhong,Yonggang Shi,et al. Diffusion-based generative fiber orientation restoration from severe signal loss in diffusion-weighted MRI, Medical Image Analysis (2026). DOI:10.1016/j.media.2026.104097

版权声明 本网站所有注明“来源:生物谷”或“来源:bioon”的文字、图片和音视频资料,版权均属于生物谷网站所有。非经授权,任何媒体、网站或个人不得转载,否则将追究法律责任。取得书面授权转载时,须注明“来源:生物谷”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。

来源:生物谷·资讯 · news.bioon.com