Publicacions

Debido a una mayor capacidad en la resolución de los cruces de fibra, los métodos de deconvolución esférica (SD) son muy populares en aplicaciones de tractografía cerebral. Sin embargo, mientras que algunos de estos algoritmos de estimación suponen una distribución Gaussiana central para el ruido de resonancia magnética, se sabe que su verdadera distribución no es Gaussiana y depende de muchos factores tales como el número de bobinas de la resonancia y la metodología utilizada para combinar las señales de diferentes canales/bobinas. De hecho, los dos métodos más populares de combinación de señal multicanal siguen patrones de ruido mejor descritos por distribuciones Rician y Chi no-central. Aquí desarrollamos una técnica de deconvolución esférica robusta y sin sesgo basada en modelos (RUMBA-SD) destinada a hacer frente al ruido MRI realista. El algoritmo se basa en una formulación bayesiana donde la solución se encuentra usando el estimador máximo a posteriori basado en modelos de probabilidad Rician y Chi no-central, e incluye un término de regularización espacial de variación total (TV). Mediante datos sintéticos simulados contaminados con patrones que imitan el ruido generado por el procesamiento de datos en escáneres multicanal, el rendimiento de RUMBA-SD se compara con otros métodos bien establecidos. La inclusión de modelos de probabilidad apropiados y la regularización TV en RUMBA-SD conduce a una mayor capacidad para resolver los cruces de fibras con ángulos entre fibras más pequeños y una mayor robustez al ruido. Finalmente, el método propuesto es también validado en datos reales de un cerebro humano. Las reconstrucciones de fibras en RUMBA-SD son más estables para diferentes tipos de ruido y en imágenes adquiridas empleando un número menor de direcciones de gradiente de difusión.