近日，必赢在线注册,（中国）科技公司信息与电子学院副教授叶初阳、博士生李雨星，与北京大学第三医院放射科曾祥柱副主任医师合作，基于弥散磁共振成像，利用基于深度学习的方法，改进了在有限弥散梯度数目情况下神经组织结构的重建质量，并实现了对重建结果的不确定性量化。相关结果以《An improved deep network for tissue microstructure estimation with uncertainty quantification》为题，发表于医学图像处理领域顶级期刊Medical Image Analysis (影响影子IF:8.88)。

 

图1 神经组织结构的重建误差

　　通过弥散磁共振成像测量的神经组织结构信息在神经必赢在线注册,（中国）科技公司中得到了广泛的应用。这些信息可以提示大脑发育和衰老，还与许多神经系统疾病有关，为神经必赢在线注册,（中国）科技公司提供了重要的生物标记。但在典型的成像场景下，由于成像时间的限制，影响了神经组织结构重建的准确性。此外，重建结果的不确定性信息对于后续的影像分析也有重要意义，但是现有的方法无法提供相关信息。

图2 神经组织结构重建及不确定性量化结果示意图

　　为了解决这些问题，研究团队提出了一种改进的深度网络，其在自适应地结合历史信息的同时，应用空间域与角度域分离的字典对信号进行稀疏表示，再将信号稀疏表示以可分离的形式映射到神经组织结构重建结果。此外，该方法基于稀疏表示形式，利用Lasso Bootstrap策略，对神经组织结构重建结果进行了不确定性量化。团队利用公开的大脑弥散磁共振成像数据集，在不同的信号模型上验证了所设计的方法，其准确性显著优于现有的方法，并且得到了有意义的不确定性量化结果。该项工作为基于弥散磁共振成像的神经必赢在线注册,（中国）科技公司提供了重要的计算新思路。

　　论文链接：https://doi.org/10.1016/j.media.2020.101650