基于条件流匹配的扩散 MRI 通用视野扩展方法
Generalizable field of view extension for diffusion MRI via conditional flow matching
研究者提出一种流匹配生成模型，通过预测六个方向的表观扩散系数（ADC）来扩展扩散 MRI 的视野，并以最近两层已采集切片和全视野 T1w 图像为条件，兼顾局部扩散连续性与解剖一致性。模型在五个数据集共 3,103 名受试者（5,105 次扫描）上训练，在五个独立数据集 299 名受试者上评估，下游纤维束追踪的 bundle Dice 分数显著提升（p < 0.01）。
作者：Gaurav Rudravaram、Lianrui Zuo、Ema Topolnjak、Michael E. Kim、Adam M. Saunders、Elyssa M. McMaster、Paula Trujillo、Ely E. Wesley、Colin D. McKnight、Pratik P. Pandharipande、Mayur B. Patel、Cayce Strength、Brenda T. Pund、Amelia W Maiga、Robert S. Dittus、David A. Bennett、Julie A. Schneider、Konstantinos Arfanakis、HABS-HD 研究团队、Derek B. Archer、Timothy J. Hohman、Yelena Bodien、Daniel C. Moyer、Kurt G. Schilling、Bennett A. Landman
摘要：视野（FOV）不完整的扩散 MRI（dMRI）采集会将部分脑区排除在纤维束成像和连接组研究之外，从而影响全脑白质分析。尽管已有用于 dMRI FOV 扩展的深度生成模型被提出，但其泛化能力仍受限于 dMRI 依赖采集的特性——信号强度随 b 值、梯度方向和扫描仪协议而变化——以及数据固有的 4D 复杂性，使得难以训练出无需重新训练即可跨站点或跨采集方案迁移的模型。我们提出一种流匹配生成模型，通过预测六个方向上的表观扩散系数（ADC）来在上下两个方向上扩展 dMRI FOV，其条件为最近的两个已采集层面和全 FOV 的 T1w 图像，以同时保证局部扩散连续性和解剖一致性。ADC 表示使模型与特定采集的 b 值和梯度方向解耦，从而在不同协议之间提供了一种折中方案。该模型在来自五个不同数据集、涵盖多种采集方案（b = 500 和 1000 s/mm$^2$；21--192 个梯度方向）的 3,103 名受试者（5,105 次扫描）上训练，其中包括四个单壳（b = 1000）和一个多壳（b = 500/1000）方案。在来自五个独立数据集、涵盖 b = 750--1500 s/mm$^2$ 和 32--90 个梯度方向的 299 名受试者上进行评估，且训练时未见过单壳和多壳方案，所提方法在下游纤维束成像上取得了显著提升的纤维束 Dice 分数（p < 0.01）。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.17401 [cs.AI] |
| （或 arXiv:2610.17401v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17401 arXiv 颁发的 DOI 经由 DataCite（待注册） |
提交历史
来自：Gaurav Rudravaram [查看电子邮件]
[v1]
2026年10月12日星期一 21:10:25 UTC（3,966 KB）
来源：arXiv cs.AI · arxiv.org