基于频率增强光纤取向分布的超分辨率网络及其在阿尔茨海默病中的应用

《Journal of Neuroscience Methods》:Frequency-Enhanced Fiber Orientation Distribution Super-Resolution Network with Application on Alzheimer's Disease

【字体: 大 中 小 】 时间:2026年04月10日 来源:Journal of Neuroscience Methods 2.3

编辑推荐:

  基于扩散MRI的纤维方向分布超分辨率重建方法研究,提出CDAF-Net模型通过频率增强与空间-通道注意力机制融合,显著提升低分辨率数据重建精度,并验证其在阿尔茨海默病早期筛查中的临床价值,优于传统方法。

  
Xinyi Xie|Jingxin Meng|Yuanjun Wang
上海科技大学健康科学与工程学院,中国上海200093

摘要

背景

扩散磁共振成像(diffusion MRI)能够无创地评估白质微观结构,但纤维方向分布(FOD)重建的准确性仍受到体素间不连贯性和高阶球谐依赖性建模不足的限制。现有的FOD角超分辨率方法在复杂纤维配置中常常会丢失方向信息,其在疾病特异性场景中的适用性也尚未得到充分探索。

新方法

我们提出了跨域注意力FOD网络(Cross-Domain Attention FOD Network,CDAF-Net),该网络结合了频率增强型空间-通道注意力模块(Frequency-enhanced Aggregated Spatial–Channel Attention),以联合建模频域、空间和通道特征。频率分支捕捉长距离依赖性,而空间和通道注意力则突出局部关键结构,从而实现高效准确的角超分辨率。通过CDAF-Net得到的表观纤维密度(Apparent Fiber Density,AFD)使用单向方差分析(one-way ANOVA)在阿尔茨海默病(Alzheimer’s disease)、轻度认知障碍(mild cognitive impairment)和认知正常组之间进行了评估。

结果

CDAF-Net获得了最准确的重建结果,与参考FODs的对齐度最高,并在纤维交叉复杂的区域显示出明显优势。在临床应用中,CDAF-Net得到的AFD显示出自阿尔茨海默病进展相关的双侧穹窿(fornix)减小,并且与基线方法相比具有更大的效应量和更高的敏感性,而其他白质束未达到显著性差异。

与现有方法的比较

与最先进的FOD角超分辨率模型相比,CDAF-Net产生了更低的方向误差,在多纤维区域更好地保留了方向信息,并对早期阿尔茨海默病相关的微结构改变具有更敏感的检测能力。

结论

CDAF-Net提高了FOD重建的保真度,并增强了对早期神经退行性变化的敏感性,使其成为多壳层HARDI(multi-shell HARDI)在早期筛查和临床研究应用中的经济有效替代方案。

引言

阿尔茨海默病(AD)的病理特征是白质进行性退化,其中轴突丢失先于认知衰退,被认为是早期干预的关键生物标志物。扩散磁共振成像(dMRI)能够揭示与此过程相关的微结构改变(Ahmadi等人,2024年)。近年来,AD的早期诊断越来越依赖于非侵入性生物标志物的多模态整合,旨在结合互补信息以提高诊断敏感性(Vrahatis等人,2023年)。在这些生物标志物中,dMRI因其能够无创地提供独特的扩散相关信息而受到广泛关注(Aditya Shastry和Sanjay,2024年)。然而,现有基于扩散的指标在疾病早期阶段的敏感性仍然有限,限制了其临床应用。
从dMRI获得的白质微结构指标已被证明可以揭示与AD相关的退化。具体来说,纤维密度(FD)的降低与早期海马体突触丢失密切相关,而穹窿(FX)束的异常可以预测tau蛋白的积累,这突显了它们在检测早期微结构变化和预测疾病进展中的价值(Vanderlinden等人,2025年)。然而,纤维指标的可靠性在很大程度上取决于纤维方向分布(FOD)的重建质量。高质量的FOD通常是通过多壳层高角分辨率扩散成像(HARDI)获得的,这在临床实践中成本高昂且耗时。因此,单壳层协议仍然占主导地位。然而,由此产生的低角分辨率扩散成像(LARDI)导致FOD质量降低,特别是在纤维交叉、弯曲或组织边界区域,从而限制了纤维追踪和微结构指标的可靠性。
因此,提出了FOD角超分辨率(FOD-ASR)任务,旨在从LARDI重建高角分辨率的FOD,以接近HARDI的质量。随着计算能力的进步,深度学习已成为这项任务的广泛采用和可靠的方法(Heckel等人,2024年;Karimi和Warfield,2024年)。从方法论的角度来看,现有的FOD角超分辨率深度学习方法可以分为纯数据驱动的端到端模型和物理信息混合模型。纯数据驱动的方法,如FOD-Net(Zeng等人,2022年)和FOD-Swin-Net(Da Silva等人,2024年),直接学习从低分辨率到高分辨率球谐系数的映射,依赖于大规模训练数据来捕捉统计规律。物理信息方法包括SDNet(Bartlett等人,2024年)和Consagra等人的工作(2024年);前者将球形反卷积嵌入网络,后者通过神经场参数化fODF并量化不确定性——这两种方法都通过物理约束增强了可解释性和泛化能力。考虑到dMRI信号的固有球形几何特性,Elaldi等人(2021年)提出了旋转等变的球形反卷积,将旋转对称性作为归纳偏差,以确保方向估计的一致性并引入额外的物理约束,尽管实现过程相对复杂。尽管在这些不同路径上取得了显著进展,现有方法尚未充分利用频率、通道和空间域之间的联合表示潜力,从而在复杂纤维区域重建精细结构方面仍有改进空间。鉴于FOD是一个高维信号,关键信息也嵌入在通道和频率域中。为了解决这一差距,我们提出了CDAF-Net,一个跨域注意力网络,它结合了频率增强和空间-通道聚合,以进一步提高fODF重建的准确性。
通道注意力可以捕捉通道间的依赖性,增强特征区分能力,并保留结构细节(Li等人,2025年)。在FOD-ASR任务中,它描述了不同阶球谐系数之间的复杂非线性关系,并建模高维相关性。标准的空间自注意力通常表现为低通滤波器,在捕捉高频细节方面效果较差(Park和Kim,2022年),而频域信息编码了纤维方向的周期性模式和微结构特性。先前的研究表明,频率成分包含重要的结构和风格信息,改善了纹理恢复,并增强了噪声鲁棒性(Yang和Soatto,2020年;Wang等人,2023年),同时揭示了空间域中被忽略的模式。多域融合架构,如UNTER++(Shaker等人,2024年)和SFHN(Wu等人,2023年),在边界划分和高频细节恢复方面取得了优异性能。基于这些发现,我们提出了一个三域融合注意力模块,整合了空间、通道和频域特征,促进它们之间的深度交互,以实现更准确的FOD超分辨率重建。
此外,大多数现有研究主要集中在健康数据集上最大化FOD重建性能,而在疾病特异性场景中的可行性探索仍然相对有限。这种以性能为导向的研究趋势对这些模型在临床实践中的转化潜力和实际价值提出了不确定性。除了追求数值性能指标外,我们还强调了基于深度学习的超分辨率模型在实际医疗工作流程中的潜在临床相关性和适用性,这也是本研究的另一个关键动机。
因此,本文的主要贡献可以总结如下:
1. 我们提出了一种新的架构,即跨域注意力FOD网络(CDAF-Net),专为FOD-ASR设计,其中结合了频率增强型空间-通道聚合(FASA)模块。FASA利用快速傅里叶变换和渐进式融合策略与空间和通道注意力相结合,利用频率域、空间域和通道域的信息。通过针对FOD数据的高维特性进行轻量级设计,FASA确保了有效和稳定的信息交互,在准确性评估中取得了最佳结果。
2. 我们进行了广泛的比较和消融研究,系统分析了不同注意力机制在FOD-ASR中的性能提升,并验证了FASA每个组分的贡献。
3. 我们使用AFD指标在ADNI数据集上进行了临床敏感性评估,评估了深度学习模型检测AD早期白质微结构损伤的泛化能力和临床潜力。结果表明,我们的方法能够合理捕捉到穹窿(fornix)沿疾病进展的AFD阶段特异性趋势——这一束被认为对早期AD病理高度敏感——同时提高了对细微微结构变化的敏感性。这种以应用为导向的探索在现有文献中较为罕见,突显了我们方法作为早期AD筛查新方向的潜力。

研究概述

研究目的

我们的目标是从临床常见的低角分辨率FOD输入重建高质量的FOD图像,并研究其临床效用。任务公式在图1中进行了总结。
数据集准备主要涉及预处理和采样程序(第2.2节)。在模型设计中,我们系统评估了不同注意力机制在此任务中的作用,包括通道注意力(CA)、空间注意力(SA)及其串联组合CBAM等。

结果

实验结果分为三个部分。第3.1节评估了HCP数据集上的重建准确性,其中CDAF-Net与基线和最先进方法在体素级定性和定量分析中进行了比较,以验证超分辨率准确性的提升。第3.2节报告了消融研究,系统分析了频域增强、空间注意力和通道的独立贡献和协同效应。

讨论

所提出的CDAF-Net在ACC和AAE定量指标上取得了最高的准确性,并在复杂纤维结构区域展示了与参考标准的优越结构一致性。消融研究验证了FASA模块的有效性,突出了频域增强和空间-通道聚合的协同贡献。此外,基于ADNI数据的临床相关性实验表明,CDAF-Net的改进

结论

我们提出了CDAF-Net,一个轻量级的FOD重建框架,整合了空间、通道和频域特征。实验结果表明,CDAF-Net在重建准确性、可视化质量、架构合理性和对疾病相关白质改变的敏感性方面优于比较方法。该框架不仅在超分辨率重建方面显示出稳定优势,还揭示了在早期检测中的潜在应用。

未引用参考文献

(Cohen, 2013, Liu等人, 2021)

CRediT作者贡献声明

Jingxin Meng:验证、方法论、调查。Yuanjun Wang:写作 – 审稿与编辑、监督、资源管理、项目管理、概念化。Xinyi Xie:写作 – 审稿与编辑、初稿撰写、可视化、验证、方法论、调查、形式分析、概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本文使用的数据来自人类连接组项目(Human Connectome Project,HCP,1U54MH091657)和阿尔茨海默病神经影像学计划(Alzheimer’s Disease Neuroimaging Initiative,ADNI,U01-AG024904,DoD W81XWH-12-2-0012)。本工作得到了上海自然科学基金(18ZR1426900)的资助。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号