Hybrid Graph Transformer for Tissue Microstructure Estimation with Undersampled Diffusion MRI Data.
Hybrid Graph Transformer for Tissue Microstructure Estimation with Undersampled Diffusion MRI Data.
复制标题
DOI：
10.1007/978-3-031-16431-6_11
复制
发表时间：
2022-09
期刊：
影响因子：
--
通讯作者：
中科院分区：
文献类型：
--
作者：
先进的当代组织微观结构扩散模型通常需要扩散 MRI (DMRI) 数据，并在扩散波矢量空间中进行足够密集的采样，以实现可靠的模型拟合，但这在实践中可能并不总是可行。解决这个问题的一个潜在方法是使用深度学习技术从稀疏采样数据中预测高质量的扩散微观结构指数。然而，现有方法要么与扩散波矢量空间（-空间）中的数据几何形状无关，要么仅限于利用来自物理坐标空间（-空间）中的局部邻域的信息。在这里，我们提出了一种混合图变换器（HGT），通过图神经网络（GNN）显式地考虑空间几何结构，并通过新颖的残差密集变换器（RDT）充分利用空间信息。 RDT 由多个密集连接的 Transformer 层和一个残差连接组成，以方便模型训练。对人类连接组计划 (HCP) 数据的广泛实验表明，我们的方法比现有最先进的方法显着提高了微观结构估计的质量。
Advanced contemporary diffusion models for tissue microstructure often require diffusion MRI (DMRI) data with sufficiently dense sampling in the diffusion wavevector space for reliable model fitting, which might not always be feasible in practice. A potential remedy to this problem is by using deep learning techniques to predict high-quality diffusion microstructural indices from sparsely sampled data. However, existing methods are either agnostic to the data geometry in the diffusion wavevector space (-space) or limited to leveraging information from only local neighborhoods in the physical coordinate space (-space). Here, we propose a hybrid graph transformer (HGT) to explicitly consider the -space geometric structure with a graph neural network (GNN) and make full use of spatial information with a novel residual dense transformer (RDT). The RDT consists of multiple densely connected transformer layers and a residual connection to facilitate model training. Extensive experiments on the data from the Human Connectome Project (HCP) demonstrate that our method significantly improves the quality of microstructural estimations over existing state-of-the-art methods.
登录
查看更多内容
影响因子：
5.7
作者：
Van Essen, David C.;Smith, Stephen M.;Barch, Deanna M.;Behrens, Timothy E. J.;Yacoub, Essa;Ugurbil, Kamil
通讯作者：
Ugurbil, Kamil
影响因子：
5.7
作者：
Daducci, Alessandro;Canales-Rodriguez, Erick J.;Thiran, Jean-Philippe
通讯作者：
Thiran, Jean-Philippe
影响因子：
3.3
作者：
Aliotta, Eric;Nourzadeh, Hamidreza;Patel, Sohil H.
通讯作者：
Patel, Sohil H.
影响因子：
5.7
作者：
Zhang, Hui;Schneider, Torben;Alexander, Daniel C.
通讯作者：
Alexander, Daniel C.
影响因子：
10.6
作者：
Chen G;Dong B;Zhang Y;Lin W;Shen D;Yap PT
通讯作者：
Yap PT