[論文レビュー] Biomechanical modelling of brain atrophy through deep learning

Mariana da Silva, Kara Garcia+4 more|arXiv (Cornell University)|Dec 14, 2020

Advanced Neuroimaging Techniques and Applications参考文献 15被引用数 4

ひとこと要約

本稿では、所定の萎縮マップを入力として用い、ネオ＝フック型材料モデルとU-Netアーキテクチャを用い、生物学的力学に由来する損失関数で訓練された、微分可能でディープラーニングベースの生物学的力学的モデルを提案する。このモデルは、縦断的脳変形を高い精度でシミュレートでき、萎縮予測誤差が5.1×10⁻⁵（MSE）にまで低下し、画像空間における残差変形は1.0×10⁻³未満に抑えられ、データ拡張および因果仮説検証に適した迅速で生物学的力学的に妥当なシミュレーションを実現した。

ABSTRACT

We present a proof-of-concept, deep learning (DL) based, differentiable biomechanical model of realistic brain deformations. Using prescribed maps of local atrophy and growth as input, the network learns to deform images according to a Neo-Hookean model of tissue deformation. The tool is validated using longitudinal brain atrophy data from the Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset, and we demonstrate that the trained model is capable of rapidly simulating new brain deformations with minimal residuals. This method has the potential to be used in data augmentation or for the exploration of different causal hypotheses reflecting brain growth and atrophy.

研究の動機と目的

• 所定の局所的体積変化を用いて、現実的な脳萎縮パターンをシミュレートする微分可能でディープラーニングベースのフレームワークの開発。
• 従来の有限要素法の計算限界を克服するため、学習可能でエンドツーエンド微分可能なモデルに置き換えること。
• データ拡張および神経変性疾患研究における因果モデリングに適した、最小限の残差を伴う迅速な脳変形シミュレーションの実現。
• 損失関数にネオ＝フック型ひずみエネルギー関数と解剖学的制約を統合することで、ディープラーニングに生物学的力学的妥当性を統合すること。
• 説明可能で因果的な医療画像解析のための大きなディープラーニングパイプラインに統合可能な、完全に微分可能なモデルの構築。

提案手法

• モデルは、入力となる萎縮マップから変位場を予測するU-Netを用い、各ボクセルの値は相対的体積変化を表す。
• 変位場は空間変換層を介して元のMRI画像に適用され、微分可能な画像変換を可能にする。
• 損失関数にはネオ＝フック型ひずみエネルギー密度モデルが組み込まれており、剪断率（μ）および体積弾性率（K）のパラメータを含み、頭蓋骨外での変位をゼロに保つ項と、質量中心の固定を促す項が含まれる。
• ADNIデータセットの縦断的T1強調MRIデータを用い、非教師あり学習で訓練しており、萎縮マップはFSL FNIRT登録のヤコビアンから導出される。
• フレームワークはPyTorchで実装されており、2Dおよび3D推論をサポートしており、再帰的または生成的アーキテクチャへの拡張が可能である。
• 生物学的力学的制約は、ひずみエネルギー、バックグラウンド変位ペナルティ（λ₁）、質量中心固定ペナルティ（λ₂）を組み合わせたコスト関数によって強制される。

実験結果

リサーチクエスチョン

• RQ1 所定の萎縮マップのみを入力として用いるディープラーニングモデルは、生物学的力学的原則を尊重しながら、正確に脳萎縮パターンをシミュレートできるか？
• RQ2 提案された微分可能な生物学的力学的モデルの性能は、従来の有限要素法と比較して、正確性および推論速度の面で優れているか？
• RQ3 本モデルは、学習時に見られなかった新しい萎縮パターン、特に複雑または大規模な変形に対してどれほど一般化できるか？
• RQ4 本モデルは、神経画像研究におけるデータ拡張のための現実的な合成データを生成するために使用できるか？
• RQ5 本モデルは、模擬的な萎縮下でも、脳脊髄液（CSF）、白色線維（WM）、灰色線維（GM）の組織セグメンテーション精度をどれほど保持できるか？

主な発見

• FNIRT由来のヤコビアンから萎縮マップを予測する際の平均二乗誤差（MSE）は5.1×10⁻⁵に達し、ベースラインのFNIRT手法よりも顕著に低かった。
• 模擬画像と真値画像間の画像レベルMSEは1.0×10⁻³であり、標準偏差は5.1×10⁻⁴であった。これは、画像再構成の高精度を示している。
• CSF、WM、GM、DGMのDiceスコアはそれぞれ0.877、0.921、0.837、0.775であり、シミュレーション全体にわたる組織セグメンテーションの保持が良好であることを示している。
• 全脳萎縮マップで学習した場合、GMおよびWMのDiceスコアは、脳領域を損失関数から除外しても、全脳ベースラインと0.01以内で維持された。
• フレームワークは完全に微分可能であり、バックプロパゲーションを生物学的力学的シミュレーションプロセス全体にまで適用可能な、大規模なディープラーニングパイプラインに統合可能である。
• 本モデルは最小限の残差を伴い、脳萎縮を効果的にシミュレートした。これは、学習された変位場の優れた一般化能力と物理的妥当性を示している。