Core Concepts
fMRIの空間分解能を向上させるための深層学習ベースの3D超解像法が、高い頻度詳細を回復し、取得時間を劇的に削減する可能性を示唆しています。
Abstract
要約
高分解能fMRIは脳の中規模組織への窓を提供しますが、スキャン時間が増加します。
この研究では、3D超解像(SR)方法がfMRIに適用され、異なる被験者や実験パラダイムからのトレーニングデータでも高周波詳細を回復できることが示されています。
方法
SRアプローチは単一3Dフレームで動作し、2つの主要コンポーネントを含みます:1)ドメインランダム化ベースのデータシミュレーション、および2)図1に示すような深層ニューラルネットワークの最適化。
実験と結果
参加者9名で7T超高磁場スキャナーで機能テスト用に複数回スキャンされました。
SRネットワークは異なる被験者から収集した運動刺激データに適用されました。低分解能画像は1mm高分解能画像を2mmおよび3mm等方性にダウンサンプリングして生成されました。
結論
深層学習は効果的に低い空間分解能から超高磁場fMRI画像を超解像し、被験者や刺激間でも下流機能マップを向上させることが示されました。
Stats
高分解能fMRIは脳の中規模組織への窓を提供しますが、スキャン時間が増加します。
超高磁場fMRI画像から低い空間分解能まで効果的に超解像するために深層学習ベースの3D SR方法が導入されました。