编辑推荐：
本研究针对扩散MRI数据空间分辨率不足的问题，提出基于深度学习的超分辨率技术，显著提升纤维方向分布函数（fODF）的空间分辨率和准确性，为脑白质纤维追踪（tractography）提供更高质量的数据支持，助力神经系统疾病的诊断与研究。
扩散磁共振成像（diffusion MRI）作为一种重要的医学成像技术，能够探测组织中水分子的扩散运动，对中枢神经系统疾病具有较高的敏感性。然而，传统的diffusion MRI数据采集面临着空间分辨率不足和信噪比（SNR）低的挑战，限制了其在临床和研究中的应用。为了解决这一问题，瑞典林雪平大学的研究人员提出了一种基于深度学习的超分辨率技术，通过提升纤维方向分布函数（fODF）的空间分辨率，显著改善了diffusion MRI数据的质量，为白质纤维追踪（tractography）提供了更准确的微结构参数映射。
研究人员利用人脑连接组计划（Human Connectome Project, HCP）的高质量数据，开发了一种深度学习模型，能够将低分辨率的diffusion MRI数据上采样为高分辨率的fODF图像。该模型基于约束球面反卷积（constrained spherical deconvolution, CSD）方法，通过球谐函数（spherical harmonics, SH）表示fODF，并利用深度学习网络对低分辨率数据进行上采样。研究结果表明，与传统的样条插值方法相比，该深度学习模型在低信噪比条件下能够更准确地估计fODF，并在白质纤维追踪中表现出更高的准确性。
在研究中，研究人员首先对HCP数据库中的100名受试者数据进行了预处理，模拟低分辨率数据后，通过CSD方法估计fODF，并将其转换为球谐函数（SH）系数。随后，研究人员构建了一个全连接神经网络模型，输入低分辨率的SH系数，输出高分辨率的SH系数。该模型经过训练后，能够在低分辨率数据的基础上生成高分辨率的fODF图像，并通过地球移动距离（Earth Mover’s Distance, EMD）等指标评估其准确性。
研究结果表明，深度学习模型在所有组织类型（白质、灰质和脑脊液）中均优于传统的样条插值方法，尤其是在高阶球谐系数中表现出显著的性能提升。此外，该模型还具有去噪效果，能够在保留主要纤维方向的同时去除噪声引起的伪影。在低信噪比条件下，该模型能够生成更准确的fODF分布，并在白质纤维追踪中表现出更高的保真度。
该研究的结论强调了深度学习在提升diffusion MRI数据质量方面的潜力，尤其是在低信噪比和低分辨率数据的处理上。研究人员指出，该技术可以显著缩短临床扫描时间，同时提供高质量的微结构参数映射，为神经系统疾病的诊断和研究提供了新的工具。未来，该技术有望在不同的MRI扫描仪、序列和分辨率条件下进行推广，进一步推动diffusion MRI在临床和研究中的应用。
