FOD-Swin-Net：基于变压器的深度模型进行纤维定向分布的角度超分辨率
内容提要
该文汇总多项扩散磁共振成像研究，涵盖深度学习重建纤维定向分布以缩短成像时间、球形反卷积网络保证一致性、角度超分辨率并泛化至临床分析、神经球谐级数建模单被试信号、束特定追踪与DiffusionNet形状匹配，以及加速多回波螺旋fMRI和全景图像增强。
延伸解读
深度学习加速dMRI采集的多种路径
文章汇总了多项利用深度学习重建纤维定向分布（FOD）的研究，核心目标是从减少的扩散加权图像中准确估计FOD，从而缩短成像时间。其中，球形反卷积网络通过模型驱动架构保证中间输出与输入扩散加权图像的一致性；数据驱动的深度约束球形反卷积方法则提升了重复扫描的可重复性和鲁棒性。这些工作共同指向一个趋势：在保证FOD质量的前提下，通过算法创新降低对大量DWI采集的依赖。
角度超分辨率与临床下游分析的泛化
参数连续卷积网络被用于dMRI的角度超分辨率，不仅能减少参数数量，还能泛化至临床相关的下游分析，如Fixel相关分析和神经元方向分散与密度成像。这意味着超分辨率技术不再局限于图像质量提升，而是直接服务于临床可解释的指标。此外，FENRI方法通过学习低分辨率数据中的连续空间纤维方向密度函数，实现了比三线性插值更好的流线重建，进一步展示了超分辨率在纤维追踪中的实用价值。
单被试建模与束特定追踪的新思路
神经球谐级数（NeSH）方法仅使用单个被试的数据，利用人脑结构相干性在角度和空域中连续表示dMRI信号，重建结果更具结构连贯性，并能计算平均扩散度、分数各向异性和总视觉纤维密度等指标。同时，基于束特定追踪图分布函数的追踪方法，使用高阶流线微分方程以集群为单位重建流线束，简化了全局追踪过程。这些方法为个体化分析和纤维束重建提供了新工具。
跨模态技术迁移与潜在局限
文章还涉及DiffusionNet用于非刚性形状匹配、物理驱动深度学习加速多回波螺旋fMRI，以及基于Fisheye降采样和失真感知Transformer的全景图像增强。这些工作虽与dMRI不直接相关，但展示了深度学习在医学影像和图像处理中的广泛适用性。需要注意的是，文章汇总的研究多处于方法验证阶段，其临床鲁棒性、泛化能力和计算成本仍需进一步评估，读者应关注后续的独立验证结果。
Q&A
FOD-Swin-Net 是什么？它主要解决什么问题？
FOD-Swin-Net 是一种基于变压器的深度模型，用于纤维定向分布（FOD）的角度超分辨率。它旨在从低分辨率扩散加权图像中准确预测高分辨率纤维方向，从而减少总体成像时间，并提高流线重建效果。
FOD-Swin-Net 如何保证深度学习网络中间输出与输入扩散加权图像的一致性？
FOD-Swin-Net 采用了球形反卷积网络模型驱动的纤维定向分布重建架构，该架构用于保证深度学习网络中间输出与输入扩散加权图像的一致性。
FOD-Swin-Net 在临床分析中有哪些应用？
FOD-Swin-Net 可以泛化至临床相关的下游分析，如 Fixel 相关分析以及神经元方向分散和密度成像。
FOD-Swin-Net 相比传统方法（如三线性插值）有什么优势？
FOD-Swin-Net 提供了比三线性插值更好的流线重建效果，能够从现实低质量数据中准确预测高分辨率纤维方向。
FOD-Swin-Net 能否仅使用单个被试的数据进行建模？
是的，FOD-Swin-Net 利用人脑的结构相干性，仅使用来自单个被试的数据。它使用神经网络参数化球面谐波级数（NeSH）来表示单个被试的 dMRI 信号，连续地在角度和空域中重建，显示出更具结构连贯性的数据表示。
FOD-Swin-Net 在角度超分辨率方面有哪些改进？
FOD-Swin-Net 使用参数连续卷积网络进行角度超分辨率，并在全局坐标和领域特定上下文等方面进行了改进。该方法可以有效降低参数数量，并能够泛化至临床相关的下游分析。
