自适应多尺度注意力增强的V-NET模型，用于实现精确高效的多壳层扩散MRI图像估计

《Scientific Reports》：Adaptive multi-scale attention-enhanced V-NET for accurate and efficient multi-shell diffusion MRI estimation

　　

摘要

多壳层采集协议能够在不同的 b 值下捕获扩散信号。较高的 b 值（例如，\(b = 2000\, \mathrm {s/mm^2}\)）可提高对微观结构特征的灵敏度，但其采集过程耗时较长，且信噪比和抗运动能力降低，这限制了其在临床上的常规应用。为应对这一挑战，我们提出了一种深度学习框架，该框架能够直接从较低 b 值（\(b = 1000\, \mathrm {s/mm^2}\)）下的球谐（SH）系数预测高 b 值（\(b = 2000\, \mathrm {s/mm^2}\)）下的球谐系数。我们的方法基于一种简化的 V-NET 架构，并增加了自适应的多尺度注意力机制。这种注意力机制通过尺度加权网络动态学习最优的感受野组合。与传统固定尺度方法不同，我们的模型结合了三个具有自适应权重的膨胀卷积分支、跨尺度特征融合以及集成空间-通道注意力。这些组件实现了上下文感知的特征提取，能够突出扩散模式识别中最相关的尺度。实验结果表明，与现代最先进的方法相比，所提出的方法在计算成本上显著降低的同时，仍能实现准确的重建。