近日，北京理工大学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科学研究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，为神经科学研究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科学研究提供了重要的计算新思路。
　　论文链接：https://doi.org/10.1016/j.media.2020.101650