跳到正文
原文
bioRxiv · Neuroscience· Nasr, S., Li 等 12 人
精选AI 评分61

借助基于人工智能的超分辨率从标准功能磁共振中获取介观功能组织

Accessing Mesoscale Functional Organization from Standard Functional MRI Leveraging AI-Based Super-Resolution

预印本 · 尚未经过同行评审

AI 导读

常规功能磁共振受空间分辨率和对比噪声比限制,难以看清脑的精细功能组织。作者提出 f-LENNS,一个只用高分辨率合成磁共振数据训练、不含对抗或生成成分的模型,用于提升重建幅度图像的有效空间分辨率。结果显示该公开模型在多种成像范式的激活图上改善空间保真度,并泛化到因弱视导致脑功能不典型的人群,表现优于插值上采样和锐化等常规方法。

推荐理由

用只在合成高分辨率磁共振数据上训练、不含对抗与生成成分的模型提升功能磁共振图像有效空间分辨率,在多种采集范式和弱视人群数据上无需重训即可泛化。

摘要 · AI 翻译

获取人脑精细尺度的功能组织对于理解认知与神经系统疾病至关重要,然而由于传统功能磁共振成像(fMRI)空间分辨率和对比噪声比有限,这一目标仍超出其能力范围。为克服这一局限,我们开发了 f-LENNS(functional Localization Enhancement via Neural-Net-Sharpening,基于神经网络锐化的功能定位增强),这是一个基于人工智能(AI)的框架,可提升重建 fMRI 幅度图像的有效空间分辨率。该模型仅在高分辨率合成 MRI 数据上训练,采用了广泛的域随机化,且不含对抗或生成组件。该方法能够稳健地开箱即用(无需重新训练)泛化到由多种采集方式获得的实验数据集,同时有效抑制幻觉。我们的实验表明,我们公开可用的模型在多种成像范式下大幅提升了功能激活图的空间保真度,并可泛化到一组因弱视(lazy eye)而导致脑功能非典型的个体。F-LENNS 始终优于传统的分辨率增强方法,包括基于插值的上采样和锐化方法。这些发现表明,AI 驱动的超分辨率结合域随机化可以克服由 MRI 采集差异引起的域偏移,从而利用广泛可得的 MRI 硬件实现可扩展的精细尺度功能脑图谱绘制。

中文由 AI 翻译,仅供参考,以原文为准。

来源:bioRxiv · Neuroscience · biorxiv.org

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。