[論文レビュー] AxonNet: A self-supervised Deep Neural Network for Intravoxel Structure Estimation from DW-MRI

Hanna Y. Ehrlich, Mariano Rivera|arXiv (Cornell University)|Mar 19, 2021

Advanced Neuroimaging Techniques and Applications被引用数 4

ひとこと要約

AxonNetは、ラベル付きの実データを必要とせずにDW-MRIデータからイントラボクセル内軸索構造を推定する自己教師あり深層学習フレームワークを提案する。合成データ生成に生成的拡散マルチテンソルモデルを活用し、最先端の精度を達成するとともに、SOTA手法と比較して著しく高速な推論時間を実現——全ボリュームを数分で処理可能（SOTA手法の数時間と比較）——を、スタンフォードおよびローカル収集の両方の合成および実データHARDIデータセットで実証した。

ABSTRACT

We present a method for estimating intravoxel parameters from a DW-MRI based on deep learning techniques. We show that neural networks (DNNs) have the potential to extract information from diffusion-weighted signals to reconstruct cerebral tracts. We present two DNN models: one that estimates the axonal structure in the form of a voxel and the other to calculate the structure of the central voxel using the voxel neighborhood. Our methods are based on a proposed parameter representation suitable for the problem. Since it is practically impossible to have real tagged data for any acquisition protocol, we used a self-supervised strategy. Experiments with synthetic data and real data show that our approach is competitive, and the computational times show that our approach is faster than the SOTA methods, even if training times are considered. This computational advantage increases if we consider the prediction of multiple images with the same acquisition protocol.

研究の動機と目的

• 実データのラベルなしでDW-MRIデータからイントラボクセル内軸索構造を推定する自己教師あり深層学習手法の開発。
• 正式な拡散マルチテンソルモデルを用いて合成信号を生成することで、DW-MRI解析における限界的な真値データの課題を解決すること。
• 高角分解能DW-MRI（HARDI/スーパーHARDI）における計算効率の向上を図り、脳全体ボリュームを高速に推論可能にする。
• 合成および実データを用いて、異なる収集プロトコルおよび空間的サポート領域（ボクセル単位 vs. パッチ単位）における性能評価。
• 自己教師あり学習による合成データを用いた手法が、教師ありまたはSOTA手法と比較して、線維方向推定において競争力のある結果を達成できることの実証。

提案手法

• ラベル付き実データに依存せず、既知のパrameter（固有値、拡散テンソル、混合係数）を有する拡散マルチテンソルモデルを用いて合成DW-MRI信号を生成する自己教師あり学習戦略を採用。
• DW-MRI信号ベクトルから推定された軸索構造パrameter（例：線維方向、体積分率）への回帰を実行する多層パーセプトロン（MLP）をニューラルネットワークアーキテクチャとして採用。
• 2つのバリエーションを適用：ボクセル単位モデル（VOX）と近隣情報を利用したモデル（NBH）で、3×3×3の信号パッチを用いて推定の安定性を向上。
• 信号の正規化（S₀ = 1に設定）と物理的制約の適用（α > 0.1の非負の混合係数、α値の順序付け）を実施し、学習安定性を向上。
• 予測された線維方向分布（FOD）と真値との比較に、Wasserstein距離（地球移動距離）を主な損失関数として採用し、角度誤差のみに比べてより優れた分布一致を実現。
• 特定の収集プロトコル（勾配方向およびb値）下で生成された合成データでネットワークを学習し、微調整なしに直接実データに展開。

実験結果

リサーチクエスチョン

• RQ1 自己教師あり深層学習手法が、実データのラベルなしでイントラボクセル内軸索構造推定において競争力のある性能を達成できるか？
• RQ2 合成および実DW-MRIデータにおいて、AxonNetの性能はNNLSやCSDなどのSOTA手法と比較して、精度および計算効率の面で優れているか？
• RQ3 3×3×3パッチを用いた近隣情報の統合により、ボクセル単位の予測と比較して推定精度が向上するか？
• RQ4 再トレーニングなしで、さまざまな収集プロトコル（例：スタンフォードHARDI対ローカル325信号プロトコル）にわたる一般化性能はどの程度か？
• RQ5 計算コストの高いSOTA手法と比較して、全脳ボリュームでリアルタイム推論を達成できるか、高精度を維持できるか？

主な発見

• Stanford HARDIデータセットにおいて、AxonNetの近隣モデル（NBH）はWasserstein距離0.81を達成し、NNLS（27.08）およびCSD（6.08）を上回り、優れた分布一致を示した。
• より高いノイズを含むローカルデータセットでは、NBHはWasserstein距離1.90を達成し、CSD（8.74）およびNNLS（114.32）を著しく上回り、低SNRに強いことを示した。
• Stanford HARDIデータセット全体の予測時間は、VOXモデルで0.8分（48秒）で実現したのに対し、CSDおよびNNLSは数時間かかっていた。これは顕著な計算的利点を示している。
• VOXモデルはStanfordデータで1.24秒、ローカルデータセットでも1.24秒でトレーニング完了。NBHモデルはそれぞれ1.91秒および3.34秒を要し、複雑なデータでも効率的なトレーニングが可能であることを示した。
• 視覚的検証により、AxonNetの予測は高精度および低誤差ケースの両方で真値に近く、CSDやNNLSと比較してピーク検出が正確でアーチファクトが少ないことが確認された。
• 再トレーニングなしで、さまざまな収集プロトコル（b値、勾配数（150対64）、信号繰り返し数）にわたる一般化性能が強く、優れた汎用性を示した。