dMRI-F: A Foundation Model for Generalizable Diffusion MRI Analysis from Sparse Acquisitions

📄 arXiv: 2610.17968v1 📥 PDF

作者: Xi Zhu, Yijie Li, Xiaofan Wang, Wei Zhang, Huafu Chen, Ce Zhu, Fan Zhang

分类: cs.CV

发布日期: 2026-10-13

💡 一句话要点

提出dMRI-F以解决稀疏采集下的扩散MRI分析问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 扩散MRI 稀疏采集 数据增强 深度学习 脑分区 跨模态合成 神经科学 临床应用

📋 核心要点

  1. 现有的dMRI分析方法通常依赖于密集采集，导致扫描时间长且硬件要求高，限制了其应用。
  2. 本文提出的dMRI-F模型通过最小化采集输入，统一了dMRI数据增强和下游任务，提升了分析的灵活性和效率。
  3. 在九个独立数据集上的实验结果显示，dMRI-F在多种任务和人群中均表现出优于现有方法的强泛化能力。

📝 摘要（中文）

扩散MRI（dMRI）探测大脑内水分子的扩散，提供关于组织微结构和白质连接的独特信息。高质量的dMRI分析需要密集采集，但这往往导致长时间扫描和硬件限制。为此，本文提出了dMRI-F，一个统一的基础模型，能够在仅需最少采集输入的情况下，增强dMRI数据并支持多种下游任务。dMRI-F通过q空间掩蔽重建任务进行预训练，从六个体积中预测密集采样的多壳数据，学习通用的潜在特征表示，适应脑分区、脑配准和跨模态合成等多种任务。实验结果表明，dMRI-F在九个独立数据集上超越了现有最先进方法，展现出强大的泛化能力。

🔬 方法详解

问题定义：本文旨在解决现有dMRI分析方法在稀疏采集下的局限性，尤其是长时间扫描和硬件限制的问题。

核心思路：dMRI-F模型通过预训练学习通用的潜在特征表示，能够从少量数据中进行有效的重建和分析，适应多种下游任务。

技术框架：dMRI-F的整体架构包括数据预处理、q空间掩蔽重建、特征学习和下游任务适应等主要模块，形成一个完整的分析流程。

关键创新：dMRI-F的核心创新在于其通用性和灵活性，能够在稀疏采集条件下实现高质量的dMRI分析，显著提升了现有方法的适用范围。

关键设计：模型采用了特定的损失函数以优化重建质量，并设计了适应不同任务的网络结构，确保了在多种数据集上的优越性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在九个独立数据集上的实验结果显示，dMRI-F在多个任务上均超越了现有最先进的方法，表现出强大的泛化能力。例如，在脑分区任务中，dMRI-F的性能提升幅度达到XX%，显著优于基线模型。

🎯 应用场景

dMRI-F模型的潜在应用领域包括神经科学研究、临床诊断和个性化医疗等。其能够在低成本、稀疏采集的条件下提供高质量的dMRI分析，具有重要的实际价值和未来影响，尤其是在资源有限的环境中。

📄 摘要（原文）

Diffusion MRI (dMRI) probes water diffusion within the brain, providing unique information about tissue microstructure and white matter connectivity. High-quality dMRI enables advanced and accurate analyses but demands dense acquisitions, resulting in long scan times and hardware constraints that are often infeasible. Further, dMRI requires dedicated computational methods to support diverse analysis tasks (e.g., parcellation, registration, and synthesis) for both neuroscientific and clinical applications. Here, we present dMRI-F, a foundation model that unifies dMRI data enhancement and downstream tasks across diverse acquisitions and populations, while requiring only minimal acquisition input. dMRI-F is pre-trained with a q-space masked reconstruction task: predicting densely sampled multi-shell data from only six volumes. It learns generalizable latent feature representations of dMRI data, which serve as a core foundation for adapting to diverse downstream tasks, including brain parcellation, brain registration, and cross-modal synthesis. Across nine independently acquired datasets, we demonstrate that dMRI-F outperforms state-of-the-art methods with robust generalization across acquisitions, populations, and tasks. Our results demonstrate dMRI-F's versatility as a general-purpose framework that enables diverse dMRI applications from low-cost, sparse acquisitions.