Artificial intelligence for diffusion MRI-based tissue microstructure estimation in the human brain: an overview.
Artificial intelligence for diffusion MRI-based tissue microstructure estimation in the human brain: an overview.
复制标题
人工智能用于基于磁共振扩散成像的人脑组织微结构评估：综述。
DOI：
10.3389/fneur.2023.1168833
复制
发表时间：
2023
影响因子：
3.4
通讯作者：
中科院分区：
文献类型：
--
作者：
人工智能（AI）在扩散磁共振成像（dMRI）和其他神经成像模式领域取得了重大进展。这些技术已被应用于各种领域，如图像重建，去噪，检测和去除伪影，分割，组织微观结构建模，大脑连接分析和诊断支持。最先进的AI算法有可能利用dMRI中的优化技术，通过生物物理模型提高灵敏度和推断。虽然人工智能在大脑微观结构中的应用有可能彻底改变我们研究大脑和理解大脑疾病的方式，但我们需要意识到可以进一步推进这一领域的陷阱和新兴的最佳实践。此外，由于dMRI扫描依赖于q空间几何的采样，因此它为数据工程中的创造性留下了空间，从而最大限度地提高了先验推断。利用固有的几何形状已被证明，以提高一般的推理质量，并可能更可靠地识别病理差异。我们使用这些统一的特征对基于AI的dMRI方法进行确认和分类。本文还强调和审查了通过数据驱动技术进行组织微结构估计的一般做法和陷阱，并提供了在此基础上构建的方向。
Artificial intelligence (AI) has made significant advances in the field of diffusion magnetic resonance imaging (dMRI) and other neuroimaging modalities. These techniques have been applied to various areas such as image reconstruction, denoising, detecting and removing artifacts, segmentation, tissue microstructure modeling, brain connectivity analysis, and diagnosis support. State-of-the-art AI algorithms have the potential to leverage optimization techniques in dMRI to advance sensitivity and inference through biophysical models. While the use of AI in brain microstructures has the potential to revolutionize the way we study the brain and understand brain disorders, we need to be aware of the pitfalls and emerging best practices that can further advance this field. Additionally, since dMRI scans rely on sampling of the q-space geometry, it leaves room for creativity in data engineering in such a way that it maximizes the prior inference. Utilization of the inherent geometry has been shown to improve general inference quality and might be more reliable in identifying pathological differences. We acknowledge and classify AI-based approaches for dMRI using these unifying characteristics. This article also highlighted and reviewed general practices and pitfalls involving tissue microstructure estimation through data-driven techniques and provided directions for building on them.
登录
查看更多内容
DOI：
10.1073/pnas.1907377117
发表时间：
2020-12-01
影响因子：
11.1
作者：
Antun, Vegard;Renna, Francesco;Hansen, Anders C.
通讯作者：
Hansen, Anders C.
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：
2.9
作者：
Faiyaz, Abrar;Doyley, Marvin;Uddin, Md Nasir
通讯作者：
Uddin, Md Nasir
影响因子：
3
作者：
Afzali M;Pieciak T;Newman S;Garyfallidis E;Özarslan E;Cheng H;Jones DK
通讯作者：
Jones DK
影响因子：
10.6
作者：
Bhadra S;Kelkar VA;Brooks FJ;Anastasio MA
通讯作者：
Anastasio MA