[論文レビュー] A Review on MR Based Human Brain Parcellation Methods

Pantea Moghimi, Anh The Dang+3 more|arXiv (Cornell University)|Jul 7, 2021

Advanced MRI Techniques and Applications参考文献 199被引用数 4

ひとこと要約

本稿は、T1強調MRI、機能的MRI（fMRI）、および拡散強調画像（DWI）に基づくMRIを用いた人間脳のパラセレーショング方法について包括的なレビューを提供し、解剖的（T1強調MRI）、機能的（fMRI）、構造的（拡散強調画像）パラセレーショングに分類する。文献を整理するためのマルチレベル分類法を提案し、手法の長所と短所を比較し、異なるモodalities間で堅牢で標準化された脳パラセレーショングを開発するうえでの主な課題を特定する。

ABSTRACT

Brain parcellations play a ubiquitous role in the analysis of magnetic resonance imaging (MRI) datasets. Over 100 years of research has been conducted in pursuit of an ideal brain parcellation. Different methods have been developed and studied for constructing brain parcellations using different imaging modalities. More recently, several data-driven parcellation methods have been adopted from data mining, machine learning, and statistics communities. With contributions from different scientific fields, there is a rich body of literature that needs to be examined to appreciate the breadth of existing research and the gaps that need to be investigated. In this work, we review the large body of in vivo brain parcellation research spanning different neuroimaging modalities and methods. A key contribution of this work is a semantic organization of this large body of work into different taxonomies, making it easy to understand the breadth and depth of the brain parcellation literature. Specifically, we categorized the existing parcellations into three groups: Anatomical parcellations, functional parcellations, and structural parcellations which are constructed using T1-weighted MRI, functional MRI (fMRI), and diffusion-weighted imaging (DWI) datasets, respectively. We provide a multi-level taxonomy of different methods studied in each of these categories, compare their relative strengths and weaknesses, and highlight the challenges currently faced for the development of brain parcellations.

研究の動機と目的

• MRIモodalitiesを用いた生体内脳パラセレーショングに関する膨大な研究を統合し、体系的に整理すること。
• 画像モダリティに基づいて、既存の脳パラセレーショング手法を解剖的、機能的、構造的タイプに分類すること。
• データ駆動型、機械学習、統計的手法の間の関係性と違いを明確にするためのマルチレベル分類法を開発すること。
• 神経画像モダリティ間で異なるパラセレーショング手法の相対的な長所と制限を比較すること。
• 普遍的に受け入れられる脳パラセレーショングフレームワークの開発を阻害する主な課題と、研究ギャップを特定すること。

提案手法

• 著者らは、生体内MRIベースの手法に焦点を当て、1世紀を超える脳パラセレーショング研究について体系的レビューを実施した。
• パラセレーショング手法を3つの主要カテゴリに分類した：解剖的（T1強調MRI）、機能的（fMRI）、構造的（拡散強調画像）。
• 各カテゴリ内での手法を、クラスタリング、アトラスベース、機械学習アプローチなどの基本的原理に基づいて整理するためのマルチレベル分類法を開発した。
• 神経科学、データマイニング、機械学習、統計学の貢献を統合し、横断的視点を提供した。
• 再現性、生物学的妥当性、技術的頑健性の観点から、各手法カテゴリの長所と短所を評価した。
• 研究間で一貫性の欠如と、標準化されたベンチマークの不足に言及した。

実験結果

リサーチクエスチョン

• RQ1 過去1世紀にわたり、異なるMRIモダリティにおける脳パラセレーショング手法はどのように進化してきたか？
• RQ2 解剖的、機能的、構造的パラセレーショングアプローチの間で、主な方法論的差異は何か？
• RQ3 機械学習および統計からのデータ駆動型手法は、従来のアトラスベース手法と比較して、性能と解釈可能性においてどのように異なるか？
• RQ4 普遍的に受け入れられる脳パラセレーショングフレームワークの開発を阻害する主な課題は何か？
• RQ5 再現性、検証、標準化の観点から、現在の文献における未解決のギャップは何か？

主な発見

• 本レビューでは、解剖的、機能的、構造的モダリティ間で顕著な方法論的多様性を示す100年以上にわたる脳パラセレーショング研究を同定した。
• T1強調MRIに基づく解剖的パラセレーショングは広く用いられているが、しばしば機能的または結合性に基づく検証が不足している。
• fMRIから得られる機能的パラセレーショングは機能的ネットワークと強い相関を示すが、前処理や血液動態的変動に敏感である。
• 拡散強調画像を用いた構造的パラセレーショングは結合性に基づくパラセレーショングを提供するが、複雑なトラクトグラフィと計算コストの高さを要する。
• 技術的進歩にもかかわらず、最適なパラセレーショングスキームについての合意はまだなく、方法論の多様性が研究間の比較可能性を制限している。
• 著者らは、標準化されたベンチマーク、検証フレームワーク、オープンアクセスリポジトリの整備が、再現性と研究間統合の向上に不可欠であると強調した。