（FOD网络：一种纤维取向分布角Supe的深度学习方法）阅读笔记

FOD-Net: A Deep Learning Method for Fiber Orientation Distribution Angular Super Resolution（FOD网络：一种纤维取向分布角Supe的深度学习方法）阅读笔记

论文提高了DMRI数据计算的FOD图像图像的角度分辨率，以获得与高级研究扫描仪所产生的质量相当的FOD。

论文提高了单壳角分辨率dMRI数据获得的FOD图像的角分辨率，用来近似耗时的多壳高角分辨率DMRI获得的FOD的质量。

球形反卷积模型被用来推断纤维方向分布（FOD）数据，其最适用于多外壳高角度分辨率扩散成像（即是在多个b值下采集的数据，在每个b值下通过大量扩散梯度方向采集的DMRI）,比起耗时耗力的HARDI数据，临床上更多的是用LARDI数据，但是其角度分辨率不足。

论文提到使用原始DMRI重建图像会受到域移位问题的影响，模型性能容易降低。基于此，论文提出FOD Net，一种基于深度学习的FOD角超分辨率方法，增强了单壳LARDI获得的FOD数据，效果上能够与高质量多壳HARDI采集所得数据等效的超分辨率FOD数据。

论文中提到他们的研究目标是FOD角超分辨率任务，而不是DMRI的角超分辨率（这个怎么理解？）

这样就可以绕开使用DMRI数据

在论文中，模型的输入是FOD数据，是由球面谐波展开系数表示，无论DMRI采集协议总使用的扩散方向数目如何，FOD数据都可以设置为具有相同的数据矩阵大小（优越之处）

1 论文提出这是首个FOD角超分辨率任务，用临床中的LARDI FOD数据生成超分辨率图像。与DMRI重建公式相比，FOD角超分辨率任务避开直接使用DMRI数据。

2 论文中超分辨率FOD图像可以去除假性纤维，恢复原始单壳LARDI FOD数据宏缺失的纤维轨迹

第二节：Materials and methods

单壳原始LAR的DMRI数据记为ISS-LAR
使用SS3T CSD技术来计算相应的FOD图像FSS-LAR,记住FSS-LAR数据来自于ISS-LAR。FSS-LAR的尺寸为W,H,L,C。其中C是使用球谐函数表示FOD的系数数量。
论文使用这种数据的好处在于，无论DMRI采集协议中使用的扩散方向数量如何，C都可以设置为相同的大小。纤维取向分布角度超分辨率的任务就是增强FSS-LAR获得超分辨率图FMS-HAR吗，这是使用多壳多组织约束球面去卷积从多壳HARDI的DMRI图像IMS-HAR生成的

论文不是使用ISS-LAR重建FMS-LAR，而是找到函数Fθ，能够将FSS-LAR每个单体像素映射到对应的FMS-HAR超分辨率体素，而Fθ中的θ可以优化得到。

论文提到为什么这是个不适定问题，因为采集时存在噪声，一个FSS可能对应于多个FMS HAR。其中f参数化为FODNet，这是端到端的FOD角度超分辨率任务

整体论文在说的就是文章中这段文字***“图1显示了我们的FOD-Net在临床连接体重建管道及其网络架构中的示意图。给定使用临床协议获取的单壳LARDI dMRI图像，SS3T CSD首先用于计算单壳LARDI FOD图像。然后将FOD-Net应用于计算的单壳LARDI FOD图像，以获得相应的超分辨率FOD图像，其质量可与高级研究扫描仪产生的图像相媲美。随后，在超分辨FOD图像上执行纤维束成像和连接体重建，以获得可靠的纤维束成像和连接体矩阵。”***

FOD-Net包含两个阶段
1）单壳块特征表示阶段
2）超分辨中心FOD体素估计阶段（涉及到获得图像体素的球谐函数）

模型中可以看见采用了残差结构，但是怎么理解这个残差的意思呢？论文中的SHCEB是球谐系数估计块

论文中还提到FOD是对称的，所以球谐系数的奇数阶都是0，只需要估计偶数球谐系数，所以文中有五个SHCEBs被附加到特征表示阶段，用来计算每一阶的系数（大概这么理解）

论文中损失函数的求和符号中的45是什么意思，文中说的是45个系数，啥意思？

论文中补偿了LARDI中丢失的角度信息的方法没有看懂，是在解释为什么要使用FOD块的原因吗？

文章还说了为什么要裁剪FOD图像大小，是因为几个点，
1 FOD Net不支持不同大小
2 块裁剪有利于学习邻居信息
3 有利于减少计算量
4 有利于规避灰质带来的噪声

文中提到这些单壳LARD FOD图像是使用SS3T CSD球面卷积方法来生成的

文章中的单壳 LARDI图像是通过对多壳HARDI下采样得到的

论文中提到，在得到临床质量的MR图像和对应的多壳HARDI图像后，就使用了MRtrix软件生成它们的纤维方位图。

论文中提到使用Dhollander算法（这是什么算法）来计算受试者数据的白质反应函数（这一步用来干什么？）

论文中提到计算得到受试这数据的白质反应函数后，分别用**单壳三组织约束球面反卷积（SS3T CSD）和多壳多组织约束球面反卷积（MSMT CSD）**对临床单壳LARDI数据和多壳HARDI数据进行约束球面反卷积，这样就可以生成低角分辨率和高角分辨率的FOD图了，在此基础上将计算得到的白质响应函数作为输入，然后对所有FOD图进行多组织强度归一化，以校正全局强度差和偏执场，这样可以使得受试者进行定量的FOD比较

论文中模型训练策略很奇怪，
原文：“从HCP数据集中随机选择110名受试者来构建我们的数据集，用于进行实验。我们的数据集分为50个训练、50个评估和10个验证。在训练过程中，验证对象用于超参数搜索。一旦选择了网络的最佳超参数，所有50个受试者都将用于训练深度学习模型”
这种超参数搜索是什么意思？是因为10个验证样本比较少，好用来找比较好的超参数吗？

论文的实验进行了有
1 FOD精度比较
2 纤维素成像定性性能
3 来年接替重建精度
4 可推广性和测试可靠性

注意：论文中用于模型训练的数据是SS3T CSD得到的FOD图像，最后结果也是和SS3T CSD的FOD图像进行比较，是这样吗？？？

第一部分：FOD精度比较
论文中提到一个SS3T CSD也是一种FOD估计方法，所以后边需要和FODNet进行比较，包括和MSMT CSD（真实图像）进行比较

论文提到使用了新的临床采集协议得到的数据来测试模型泛化性能，用于模型训练的HCP数据中DMRI图像都是以1.25mm的各向同性分辨率采集的，所以新的数据集也需要将每个图象大小调整为1.25mm，用来匹配模型配置。接下来，将最先进的SS3T CSD方法应用于所有单层Lardi dMRI图像，以生成单层Lardi FOD图像。然后利用FOD-Net对这些Lardi FOD数据进行增强，得到超分辨率的FOD数据。还将mSMT-CSD应用于原始的多壳Hardi dMRI局部临床数据，作为真是图像。

论文使用了
1 绝对差分算子计算真实图像和FODNet和SS3T CSD之间的视差矩阵
2 测量了重建的连接中边缘与真实图像的不同之处
3 第三个点看不懂（使用置换测试评估了关于“地面真相”分布相等的零假设(Hardi的mSMT CSD)和Lardi估计(FOD-Net或SS3T CSD)）

4 讨论（discussion）
在这章透露了一个很重要的知识点：
原文：“提出的基于深度学习的FOD- net方法可以直接从传统的临床型单壳LARDI数据生成角度超分辨FOD图像”

论文提到除了FOD角度超分辨率外，这个模型还被用于嵌入现代DMRI分析pipeline里面用于临床研究。

论文提到，由于模型是基于patch块的，所以适用于所有大小的图像，所以大影像数据集也可以使用。这种基于patch块的好处之前提到了有四点可以倒回去复习。

这里论文介绍到了一个很重要的问题：论文的模型整体是基于FOD图像的，最后一个轴可以固定（即是 W,H,L,C中的C轴），这种固定可以规避开一系列采集协议构建的基于DMRI的深度学习模型的问题：梯度方向的数量在不同采集协议中有很大差异，但深度学习模型需要固定，不能变化。FODNet固定这一个轴克服了这个限制，从而实现不同采集协议的泛化问题。

还有一个重要的点是：FODNet的性能是得力于回归单壳LARDI FOD图像和相应的超分辨FOD图的残差来实现的

论文还提到：FOD球面谐波展开的高阶项系数原始幅度虽然接近0很小，但是这类系数对FOD估计的质量由重大影响，他们决定了总体角分辨率，由于其数值幅度很小，可以通过归一化来提高网络受到这些高阶项的影响，从而提高性能，加快收敛。

论文解释了临床的低b值数据会影响角度分辨率，而***

论文深度学习策略有助于弥补这个缺陷，提高角度分辨率并生成超分辨率FOD

（仔细体会这句话，意思是说整体的模型设计有助于提高角度分辨率）

论文还提到，总体效果上，FODNet得利于这种局部数据驱动的方法可以从局部白质信息中发现先验知识，即是致密区域的白质很可能共享类似的分布

论文中提到还有一个重要的评价指标，即是去看是否存在虚假连接（假阳性连接，即不是由真实纤维素连接的）这一特征对于连接组学的临床应用至关重要，因为不同区域之间的缺失和虚假连接可能不恰当地影响临床决策。

论文中提到在重现效果上，FODNet与MSMT CSD的效果相似，但是数据上使用的少得多，这是由于论文采用了在训练数据中包含了灰质，作者说这个可以认为是一种特殊类型的”数据增强“，用于执行正则化，避免模型过拟合，增强模型的鲁棒性。

论文在讨论中提到：使用迁移学习在新数据集上使用样本对深度神经网络进行微调，可以提高算法性能，因此可能会提高FODNet模型的性能。

（创新点提高性能的重要一点！）

这篇文章结论给出：
FODNet的缺陷在于
1 还有潜在的伪影出现，比如噪声尖峰（出现了纤维毛刺吗？）
2 网络只依赖于FOD模型，不适用于其他模型（例如张量模型）
3 FODNet目前只在年龄范围较窄的数据集上训练。可能不适用其他数据集，可能需要转移学习
4 FODNet与往常基于深度学习的DMRI角度超分辨率补偿临床方案导致的纤维束质量损失的现有方法不同，FODNet基于最先进的数学模型–纤维取向分布，直接对局部纤维束进行超分辨，克服了基于深度学习的DMRI角度超分辨率对原始DMRI数据进行建模的有效适用性，在临床环境中，原始DMRI本身就是通过各种协议和可变数量的梯度方向获取的。

声明：笔记自用，没有格式，没有文笔。