摘要
目的
多中心扩散磁共振成像（dMRI）数据的整合受到扫描仪间差异的阻碍，这些差异会干扰后续分析。传统的校准方法需要从多个中心招募大量匹配的受试者，但在许多情况下这并不现实。本研究旨在开发一种基于深度学习的dMRI校准框架，以摆脱对跨中心活体受试数据的依赖。
方法
HARP采用了一个可在容易携带的扩散模型上训练的体素级1D神经网络。该模型能够学习不同中心之间的球谐系数之间的关系，而无需记忆空间结构。
结果
HARP在多种指标上显著降低了扫描仪间的差异。从定量来看，与基线扫描的标准误差相比，HARP将FA（12%）、MD（10%）和GFA（30%）的扫描间差异减少了；同时在校准后仍保留了纤维的方向和束追踪结果。
结论
我们认为HARP代表了仅使用模型数据进行dMRI校准的重要第一步，从而避免了需要复杂、匹配的活体多中心队列的需求。这种仅依赖模型的策略大大提高了大规模临床研究中定量dMRI的可行性和可扩展性。
利益冲突
Anthony Zuccolotto是参与本研究的一种模型设备的制造商的小企业的多数股东。他既没有收集也没有分析研究数据，也未参与研究设计、数据解读或手稿提交的决定。Walter Schneider是同一家企业的小股东及无偿科学顾问，同样没有参与数据的收集、分析或研究决策。
数据可用性声明
本研究使用的模型数据和活体数据可根据请求提供。所提出方法的代码可在此链接获取：https://github.com/Hwihuni/HARP
