可靠的深度扩散张量估计：重新思考数据驱动优化流程的力量
内容提要
本文介绍了多种用于扩散磁共振成像（dMRI）的新方法，如Patch2Self、DDM^2、Patch-CNN和AID-DTI。这些方法利用自监督学习和深度生成模型，显著提升了去噪性能和图像质量，有效解决了现有技术的不足。
延伸解读
自监督去噪：减少对干净数据的依赖
Patch2Self和DDM^2均采用自监督学习策略，无需干净数据作为训练标签。Patch2Self直接对扫描数据去噪，DDM^2则结合统计去噪理论与条件生成模型。这种思路降低了对高质量训练集的依赖，为临床dMRI去噪提供了更实用的方案。
从六方向DWI估计扩散张量：加速采集的尝试
Patch-CNN和AID-DTI都致力于从仅六个方向的扩散加权成像中估计扩散张量。AID-DTI通过基于奇异值分解的正则化器，在训练中捕获细节并抑制噪声，在HCP数据上优于三种现有方法。这有望缩短扫描时间，但六方向数据的信息量有限，其泛化能力仍需验证。
生成模型加速dMRI：Fast-DDPM与物理引导方法
Fast-DDPM仅用10个时间步进行训练和采样，将训练时间缩短5倍、采样时间缩短100倍，同时提升生成质量。另一项工作引入噪声演化物理原理和XTRACT图谱先验，生成高质量dMRI。这些方法显著提升了效率，但生成图像的临床可靠性仍需进一步评估。
泛化性与鲁棒性：dMRI深度学习的关键挑战
文章指出，现有dMRI深度学习方法在测试与训练扩散方向不一致时泛化能力不足。RobNODDI通过自适应采样和连续表示提升了泛化性能和鲁棒性。此外，评估实践不足、缺乏丰富训练集和验证基准也是重要问题。这些挑战提示，实际部署前需充分验证模型在不同采集条件下的表现。
Q&A
Patch2Self方法的主要功能是什么？
Patch2Self是一种自主学习方法，用于去噪扫描数据，特别在微结构建模和纤维束连贯性跟踪方面表现有效。
DDM^2方法如何实现去噪？
DDM^2通过将统计基础的去噪理论整合到扩散模型中，采用条件生成来实现去噪。
AID-DTI方法的优势是什么？
AID-DTI通过基于奇异值分解的正则化器有效捕获细节和抑制噪声，能够快速准确地进行扩散张量成像。
Fast-DDPM在训练和采样速度上有什么改进？
Fast-DDPM通过仅使用10个时间步进行训练和采样，显著提高了训练速度和生成质量，训练时间缩短了5倍，采样时间缩短了100倍。
DeepMpMRI方法的主要贡献是什么？
DeepMpMRI用于从不同扩散模型中使用稀疏采样的q空间数据快速高保真地估计多参数，实验证实其优越性和加速效果。
RobNODDI方法如何提高模型的泛化能力？
RobNODDI通过自适应采样和连续表示，显著提高了深度学习模型在扩散磁共振成像参数估计中的泛化性能和稳健性。
