[論文レビュー] Diffusion MRI microstructure models with in vivo human brain Connectom data: results from a multi-group comparison

Uran Ferizi, Benoît Scherrer+21 more|arXiv (Cornell University)|Apr 25, 2016

Advanced Neuroimaging Techniques and Applications参考文献 31被引用数 14

ひとこと要約

本研究では、生体画像のConnectomデータを用いた多群チャレンジを通じて、未観測の拡散画像（DW）MRI信号を予測する能力を評価するため、拡散MRIマイクロストラクチャモデルの性能を検証した。最も優れた性能を示したモデルは、フォンキシスのような複雑な繊維領域でも優れた汎化性能を示し、今後のモデル検証および開発のベンチマークを確立した。

ABSTRACT

A large number of mathematical models have been proposed to describe the measured signal in diffusion-weighted (DW) magnetic resonance imaging (MRI) and infer properties about the white matter microstructure. However, a head-to-head comparison of DW-MRI models is critically missing in the field. To address this deficiency, we organized the White Matter Modeling Challenge during the International Symposium on Biomedical Imaging (ISBI) 2015 conference. This competition aimed at identifying the DW-MRI models that best predict unseen DW data. in vivo DW-MRI data was acquired on the Connectom scanner at the A.A.Martinos Center (Massachusetts General Hospital) using gradients strength of up to 300 mT/m and a broad set of diffusion times. We focused on assessing the DW signal prediction in two regions: the genu in the corpus callosum, where the fibres are relatively straight and parallel, and the fornix, where the configuration of fibres is more complex. The challenge participants had access to three-quarters of the whole dataset, and their models were ranked on their ability to predict the remaining unseen quarter of data. In this paper we provide both an overview and a more in-depth description of each evaluated model, report the challenge results, and infer trends about the model characteristics that were associated with high model ranking. This work provides a much needed benchmark for DW-MRI models. The acquired data and model details for signal prediction evaluation are provided online to encourage a larger scale assessment of diffusion models in the future.

研究の動機と目的

• 未観測のDW-MRIデータを予測する拡散MRIマイクロストラクチャモデルの体系的かつ直接比較が不足しているという問題に取り組むこと。
• Connectomスキャナで取得した高勾配強度・高b値のDW-MRIデータにおけるモデル性能を評価すること。
• 大脳皮質の腹側部における直線的で平行な繊維と、海馬の縁側における複雑で湾曲した繊維を特徴とする2つの異なる白質領域におけるモデルの汎化性能を評価すること。
• 今後のモデル開発および検証を支援するため、公開可能なベンチマークデータセットとモデル評価フレームワークを提供すること。

提案手法

• ISBI 2015で開催されたホワイトマター・モデリング・チャレンジにおいて、参加者がConnectom DW-MRIデータセットの75％を用いてモデルを訓練した。
• 残りの25％の未観測DWデータを予測する性能を評価し、信号予測精度を主たる指標とした。
• 最大300 mT/mの勾配を用い、広範な拡散時間範囲をカバーする生体DW-MRIデータを取得した。
• モデル評価を、直線的で平行な繊維を有する大脳皮質の腹側部と、複雑で湾曲した繊維を有する海馬の縁側という2つの解剖学的領域に焦点を当てた。
• モデルの詳細な記述と信号予測結果を提供し、モデル特性の比較分析を可能にした。
• データセットの全容とモデル評価フレームワークをオンラインで公開し、再現性および今後のベンチマーク評価を支援した。

実験結果

リサーチクエスチョン

• RQ1 複雑な白質領域における未観測のDW-MRI信号を最もよく予測できる拡散MRIマイクロストラクチャモデルはどれか？
• RQ2 直線的な腹側部と複雑な海馬の縁側という、異なる繊維幾何構造を有する領域間で、モデルの性能と汎化性能はどのように変化するか？
• RQ3 交差検証設定において、高い予測性能と強く関連するモデルの特性は何か？
• RQ4 高勾配強度および多様な拡散時間の取得が、モデルの評価および順位付けにどのように影響を与えるか？

主な発見

• 最も優れた性能を示したモデルは、特に繊維の方向性が複雑で挑戦的であるとされる海馬の縁側領域において、未観測データに対する信号予測精度が顕著に優れていた。
• 複数のコンパートメントや制限拡散を組み込んだ、より洗練されたマイクロストラクチャ仮定を有するモデルは、両領域において単純なモデルを上回る性能を示した。
• 本チャレンジの結果から、モデルの汎化性能は、高b値や高勾配強度そのものよりも、複雑な繊維配置を的確に捉える能力に強く依存していることが明らかになった。
• 海馬の縁側領域は常に腹側部よりも大きな挑戦であったことから、繊維の交差や湾曲に対するモデルの頑健性が、性能要因として極めて重要であることが示された。