Resolution of crossing fibers with constrained compressed sensing using diffusion tensor MRI.
Resolution of crossing fibers with constrained compressed sensing using diffusion tensor MRI.
复制标题
DOI：
10.1016/j.neuroimage.2011.10.011
复制
发表时间：
2012-02-01
期刊：
影响因子：
5.7
通讯作者：
Prince, Jerry L.
中科院分区：
文献类型：
--
作者：
Landman, Bennett A.;Bogovic, John A.;Wan, Hanlin;ElShahaby, Fatma El Zahraa;Bazin, Pierre-Louis;Prince, Jerry L.
关键词：
扩散张量成像（DTI）被广泛用于表征组织微结构和大脑连接。然而，在交叉纤维的区域中，张量模型失败，因为它不能表示多个独立的体素内取向。已经提出来解决这个问题的大多数方法需要包括大量角度和高b值的扩散磁共振成像（MRI）数据，这使得它们对于常规临床成像和许多科学研究是有问题的。我们提出了一种基于压缩感知的技术，可以使用扩散MRI数据来解决交叉纤维，这些数据可以在临床上快速和常规采集（30个方向，b值等于700 s/mm 2）。该方法假设观测到的数据可以很好地拟合使用从固定的可能的张量的集合，每个张量具有不同的方向采取的张量的稀疏线性组合。提出了一种基于分层压缩感知算法的最佳方位快速计算算法和一种新的方位估计度量。使用模拟和体内图像证明了这种方法的性能。观察到该方法使用常规数据以及使用需要相当多的图像采集时间的更丰富的数据的标准q球方法来解决交叉纤维。
Diffusion tensor imaging (DTI) is widely used to characterize tissue micro-architecture and brain connectivity. In regions of crossing fibers, however, the tensor model fails because it cannot represent multiple, independent intra-voxel orientations. Most of the methods that have been proposed to resolve this problem require diffusion magnetic resonance imaging (MRI) data that comprise large numbers of angles and high b-values, making them problematic for routine clinical imaging and many scientific studies. We present a technique based on compressed sensing that can resolve crossing fibers using diffusion MRI data that can be rapidly and routinely acquired in the clinic (30 directions, b-value equal to 700 s/mm2). The method assumes that the observed data can be well fit using a sparse linear combination of tensors taken from a fixed collection of possible tensors each having a different orientation. A fast algorithm for computing the best orientations based on a hierarchical compressed sensing algorithm and a novel metric for comparing estimated orientations are also proposed. The performance of this approach is demonstrated using both simulations and in vivo images. The method is observed to resolve crossing fibers using conventional data as well as a standard q-ball approach using much richer data that requires considerably more image acquisition time.
登录
查看更多内容
简单的范式去除外部组织：算法和分析。
影响因子：
5.7
作者：
Carass, Aaron;Cuzzocreo, Jennifer;Wheeler, M. Bryan;Bazin, Pierre-Louis;Resnick, Susan M.;Prince, Jerry L.
通讯作者：
Prince, Jerry L.
DOI：
10.1109/jstsp.2007.910971
发表时间：
2007-12-01
影响因子：
7.5
作者：
Kim, Seung-Jean;Koh, K.;Gorinevsky, Dimitry
通讯作者：
Gorinevsky, Dimitry
影响因子：
2.5
作者：
Candès, EJ;Romberg, J;Tao, T
通讯作者：
Tao, T
影响因子：
5.7
作者：
Landman, Bennett A.;Farrell, Jonathan A. D.;Mori, Susumu
通讯作者：
Mori, Susumu
影响因子：
3.3
作者：
CORY, DG;GARROWAY, AN
通讯作者：
GARROWAY, AN