胎儿大脑的解剖约束轨迹描绘

扩散加权磁共振成像（dMRI）越来越多地用于研究宫内胎儿大脑。dMRI使能的一个重要计算是流线轨迹描绘，它有独特的应用，比如脑白质的轨道特异性分析和结构连接评估。然而，由于胎儿dMRI数据质量低和轨迹描绘的挑战性，现有方法往往产生高度不准确的结果。它们生成许多虚假流线，同时未能重构构成主要白质束的流线。在本文中，我们提倡基于对胎儿脑组织在dMRI空间中进行准确分割的解剖约束轨迹描绘。我们开发了一种深度学习方法，自动计算分割。对独立测试数据的实验表明，该方法能够准确分割胎儿脑组织并显著改善轨迹描绘结果。它能够重建高度弯曲的束，例如视辐射。重要的是，我们的方法从适合dMRI数据的扩散张量中推断组织分割和流线传播方向，使其适用于常规的胎儿dMRI扫描。该方法可以促进胎儿大脑白质束的dMRI研究。