[論文レビュー] Deconvolution of High-Dimensional Mixtures via Boosting, with Application to Diffusion-Weighted MRI of Human Brain

Charles Zheng, Franco Pestilli+1 more|PubMed|Sep 25, 2014

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、離散化を伴わずに高次元混合をデコンボリューションするブースティングベースのアルゴリズムであるElastic Basis Pursuit（EBP）を提案する。これにより、拡散強調MRI（DWI）における線維方向分布関数（fODF）の正確な推定が可能となり、非負最小二乗法（NNLS）および拡散テンソル画像法（DTI）に比べ、交差する線維領域でスパース性が高く、バイアス・バリアンスのトレードオフが優れている。

ABSTRACT

Diffusion-weighted magnetic resonance imaging (DWI) and fiber tractography are the only methods to measure the structure of the white matter in the living human brain. The diffusion signal has been modelled as the combined contribution from many individual fascicles of nerve fibers passing through each location in the white matter. Typically, this is done via <i>basis pursuit</i>, but estimation of the exact directions is limited due to discretization [1, 2]. The difficulties inherent in modeling DWI data are shared by many other problems involving fitting non-parametric mixture models. Ekanadaham et al. [3] proposed an approach, <i>continuous basis pursuit</i>, to overcome discretization error in the 1-dimensional case (e.g., spike-sorting). Here, we propose a more general algorithm that fits mixture models of any dimensionality without discretization. Our algorithm uses the principles of L2-boost [4], together with refitting of the weights and pruning of the parameters. The addition of these steps to L2-boost both accelerates the algorithm and assures its accuracy. We refer to the resulting algorithm as <i>elastic basis pursuit</i>, or EBP, since it expands and contracts the active set of kernels as needed. We show that in contrast to existing approaches to fitting mixtures, our boosting framework (1) enables the selection of the optimal bias-variance tradeoff along the solution path, and (2) scales with high-dimensional problems. In simulations of DWI, we find that EBP yields better parameter estimates than a non-negative least squares (NNLS) approach, or the standard model used in DWI, the tensor model, which serves as the basis for diffusion tensor imaging (DTI) [5]. We demonstrate the utility of the method in DWI data acquired in parts of the brain containing crossings of multiple fascicles of nerve fibers.

研究の動機と目的

• 拡散強調MRI（DWI）における高次元混合のモデル化において、離散化されたベース・プロビームと非負最小二乗法（NNLS）の限界を克服すること。
• 線維方向分布関数（fODFs）の推定において、離散化誤差を回避する非パラメトリックな手法を開発すること。
• 最適なバイアス・バリアンスのトレードオフを実現する、スケーラブルな多変量混合モデルの正確なフィッティングを可能にすること。
• 複雑な交差する線維構造における真のfODFを回復する能力において、本手法の優位性を示すこと。

提案手法

• EBPは、L2ブースティングと反復的リファイニングおよびパラメータのプルーニングを組み合わせ、カーネルのアクティブセットを動的に拡張・収縮する。
• 各反復で、現在のアクティブカーネル集合に基づいてすべての重みを再最適化する完全に是正されたバックフィッティングステップを採用する。
• 凸な罰則関数を用いて解を正則化し、全体積制約を課すために特定の形 $ \lambda P(w) = \lambda(c - \|w\|_1)^2 $ を採用する。
• 残差と候補カーネル関数の相関を最大化することで、カーネルを適応的に選択する。
• 真のfODFとのEarth Mover’s Distance（EMD）を最小化することに基づくバイアス・バリアンスのトレードオフ選択メカニズムを内蔵する。
• 固定反復回数の保証を備えた収束設計により、局所最適解を回避し、耐障害性とスケーラビリティを確保する。

実験結果

リサーチクエスチョン

• RQ1 ブースティングベースのフレームワークは、離散化されたパラメータグリッドに依存せずに、DWIにおけるfODF推定の精度を向上させることができるか？
• RQ2 複数の交差する線維束が存在する領域において、EBPはNNLSおよびDTIに比べて真の線維方向をどれほど正確に回復できるか？
• RQ3 既存の手法に比べ、EBPは高次元混合モデルにおいてより優れたバイアス・バリアンスのトレードオフ制御を達成できるか？
• RQ4 NNLSが離散化に起因するスメアリングを引き起こすのに対し、EBPはNNLSよりもスパースかつ正確なfODF推定を達成できるか？
• RQ5 真の値が未知の実DWIデータに、予測誤差を代理指標として用いてEBPを実用的に適用できるか？

主な発見

• 実DWIデータ（交差する線維が複雑に存在する後頭内側索および半卵円中心領域）において、EBPはDTIおよびNNLSに比べ顕著に低い予測誤差（RMSE）を達成した。
• 3本の交差する線維束を含むシミュレーションでは、EBPは真のピーク方向に重みが集中するスパースな解を生成したのに対し、NNLSは離散化の影響で多くの方向に重みが広がっていた。
• EBPが推定したfODFは、真のfODFとのEarth Mover’s Distance（EMD）がDTIおよびNNLSよりも低く、構造的忠実度に優れていることを示した。
• 非凸最適化で一般的に見られる局所最適解を回避し、固定反復回数の保証のもとでグローバル最適解に収束した。
• 交差検証により、モデルの複雑さと予測精度のバランスを取る最適な正則化パラメータ $ c $ が特定され、一般化性能が向上した。
• EBPの内部状態を分析した結果、EMDとMSEの最小値が一致する点で、効果的なバイアス・バリアンスのトレードオフ選択が実現されていることが確認された。