nach oben

Erschienen in:

2018 | OriginalPaper | Buchkapitel

Better Fiber ODFs from Suboptimal Data with Autoencoder Based Regularization

verfasst von : Kanil Patel, Samuel Groeschel, Thomas Schultz

Erschienen in: Medical Image Computing and Computer Assisted Intervention – MICCAI 2018

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

We propose a novel way of estimating fiber orientation distribution functions (fODFs) from diffusion MRI. Our method combines convex optimization with unsupervised learning in a way that preserves the relative benefits of both. In particular, we regularize constrained spherical deconvolution (CSD) with a prior that is derived from an fODF autoencoder, effectively encouraging solutions that are similar to fODFs observed in high-quality training data. Our method improves results on independent test data, especially when only few measurements or relatively weak diffusion weighting (low b values) are available.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel A Multi-Tissue Global Estimation Framework for Asymmetric Fiber Orientation Distributions

Nächstes Kapitel Identification of Gadolinium Contrast Enhanced Regions in MS Lesions Using Brain Tissue Microstructure Information Obtained from Diffusion and T2 Relaxometry MRI

Ankele, M., Lim, L.H., Gröschel, S., Schultz, T.: Versatile, robust, and efficient tractography with constrained higher-order tensor fODFs. Int. J. Comput. Assist. Radiol. Surg. 12(8), 1257–1270 (2017)CrossRef

Bigdeli, S.A., Zwicker, M., Favaro, P., Jin, M.: Deep mean-shift priors for image restoration. In: Advances in Neural Information Processing Systems (NIPS), pp. 763–772 (2017)

Golkov, V., et al.: q-space deep learning: twelve-fold shorter and model-free diffusion MRI scans. IEEE Trans. Med. Imaging 35(5), 1344–1351 (2016)CrossRef

Jenkinson, M., Beckmann, C.F., Behrens, T.E., Woolrich, M.W., Smith, S.M.: FSL. NeuroImage 62(2), 782–790 (2012)CrossRef

Meinardt, T., Moeller, M., Hazirbas, C., Cremers, D.: Learning proximal operators: using denoising networks for regularizing inverse imaging problems. In: IEEE International Conference on Computer Vision, pp. 1799–1808 (2017)

Nedjati-Gilani, G.L., et al.: Machine learning based compartment models with permeability for white matter microstructure imaging. NeuroImage 150, 119–135 (2017)CrossRef

Neher, P.F., Côté, M.A., Houde, J.C., Descoteaux, M., Maier-Hein, K.H.: Fiber tractography using machine learning. NeuroImage 158, 417–429 (2017)CrossRef

Tax, C.M., Jeurissen, B., Vos, S.B., Viergever, M.A., Leemans, A.: Recursive calibration of the fiber response function for spherical deconvolution of diffusion MRI data. NeuroImage 86, 67–80 (2014)CrossRef

Tournier, J.D., Calamante, F., Connelly, A.: Robust determination of the fibre orientation distribution in diffusion MRI: non-negativity constrained super-resolved spherical deconvolution. NuroImage 35, 1459–1472 (2007)CrossRef

10.

Tournier, J.D., Calamante, F., Connelly, A.: Determination of the appropriate b value and number of gradient directions for high-angular-resolution diffusion-weighted imaging. NMR Biomed. 26(12), 1775–1786 (2013)CrossRef

11.

Vandenberghe, L.: The CVXOPT linear and quadratic cone program solvers. Technical report, UCLA Electrical Engineering Department (2010). http://www.seas.ucla.edu/~vandenbe/publications/coneprog.pdf

12.

Zeiler, M.D.: ADADELTA: an adaptive learning rate method. CoRR abs/1212.5701 (2012). http://arxiv.org/abs/1212.5701

13.

Zhang, K., Zuo, W., Gu, S., Zhang, L.: Learning deep CNN denoiser prior for image restoration. In: IEEE Conference on Computer Vision and Pattern Recognition, pp. 2808–2817 (2017)

Titel: Better Fiber ODFs from Suboptimal Data with Autoencoder Based Regularization
verfasst von: Kanil Patel
Samuel Groeschel
Thomas Schultz
Verlag: Springer International Publishing
Buch: Medical Image Computing and Computer Assisted Intervention – MICCAI 2018
Print ISBN: 978-3-030-00930-4

Electronic ISBN: 978-3-030-00931-1

Copyright-Jahr: 2018
DOI: https://doi.org/10.1007/978-3-030-00931-1_7

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"