[論文レビュー] Double Diffusion Encoding Prevents Degeneracy in Parameter Estimation of Biophysical Models in Diffusion MRI

Santiago Coelho, José M. Pozo+3 more|arXiv (Cornell University)|Sep 13, 2018

Advanced Neuroimaging Techniques and Applications参考文献 49被引用数 29

ひとこと要約

本論文は、単一拡散符号化（SDE）では入手できない補足的情報を提供することで、拡散MRIにおけるNODDIDA生物物理学的モデルのパラメータ推定における不適切な定式化（ill-posedness）をダブル拡散符号化（DDE）が解消することを示している。著者らはDDEがパラメータ推定を一意的（injective）にすることを解析的に証明し、シミュレーション実験を通じてDDEが全5次元パラメータ空間においてバイアスと平均二乗誤差（MSE）を顕著に低減することを示している。これにより、高b値を必要とせず、より正確かつ信頼性の高いマイクロスケールの定量的評価が可能になる。

ABSTRACT

Purpose: Biophysical tissue models are increasingly used in the interpretation of diffusion MRI (dMRI) data, with the potential to provide specific biomarkers of brain microstructural changes. However, the general Standard Model has recently shown that model parameter estimation from dMRI data is ill-posed unless very strong magnetic gradients are used. We analyse this issue for the Neurite Orientation Dispersion and Density Imaging with Diffusivity Assessment (NODDIDA) model and demonstrate that its extension from Single Diffusion Encoding (SDE) to Double Diffusion Encoding (DDE) solves the ill-posedness and increases the accuracy of the parameter estimation. Methods: We analyse theoretically the cumulant expansion up to fourth order in b of SDE and DDE signals. Additionally, we perform in silico experiments to compare SDE and DDE capabilities under similar noise conditions. Results: We prove analytically that DDE provides invariant information non-accessible from SDE, which makes the NODDIDA parameter estimation injective. The in silico experiments show that DDE reduces the bias and mean square error of the estimation along the whole feasible region of 5D model parameter space. Conclusions: DDE adds additional information for estimating the model parameters, unexplored by SDE, which is enough to solve the degeneracy in the NODDIDA model parameter estimation.

研究の動機と目的

• 拡散MRIにおける生物物理学的モデルのパラメータ推定における不適切な定式化、特にNODDIDAモデルの退化問題に対処すること。
• ダブル拡散符号化（DDE）が単一拡散符号化（SDE）から得られる情報以上の情報を提供するかどうかを調査すること。
• DDEがNODDIDAモデルに対して一意的（一意の）パラメータ推定を可能にすることを証明すること。
• 現実的なノイズ条件下でのDDEとSDEの推定精度および正確性の向上を評価すること。
• 高b値を必要とせず退化を解消できることを示し、従来の手法と比較してより実用的な代替手法を提供すること。

提案手法

• SDEおよびDDEの信号に対する4次までの累積級展開の理論的分析を通じて、不変な情報の差を特定する。
• 線維方向分散をWatson分布でモデル化し、DDE信号応答とNODDIDAモデルパラメータ（f, f_e, D_parallel, D_perp, κ）との関係を記述する方程式系を導出する。
• 方程式系の解析的逆算により、DDEが方向分散パラメータκを一意に決定でき、SDEに見られる退化を解消することを示す。
• 制御されたノイズを含むシミュレートデータを用いたin silico実験により、5次元パラメータ空間全域におけるバイアスおよび平均二乗誤差（MSE）をSDEと比較する。
• 4つの任意の拡散符号化方向を用いた最適化されたDDEプロトコルを用いて、性能向上を評価する。
• 非一意なパラメータに依存しない線形結合によるDDE信号方程式の組み合わせからκの単一解を導出し、理論的発見の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 DDEはSDEから得られない情報を提供することができ、生物物理学的モデルのパラメータ推定における退化を解消できるか？
• RQ2 DDEを用いた場合、NODDIDAモデルのパラメータ推定問題は一意的（injective）であるか。その条件は何か？
• RQ3 現実的なノイズレベル下で、DDEとSDEの間でバイアスおよび平均二乗誤差（MSE）の推定精度にどのような差が生じるか？
• RQ4 DDEは高b値を必要とせず、NODDIDAモデルにおける適切な定式化（well-posed estimation）を達成できるか？
• RQ5 推定精度の向上は、NODDIDAモデルの全可能な5次元パラメータ空間に一般化可能か？

主な発見

• DDEはSDEからは入手できない不変な情報を提供し、NODDIDAパラメータ推定を一意的（injective）にすることで、モデル固有の退化を解消する。
• 理論的分析により、DDEが非一意なパラメータ集合に依存しないようにして、方向分散パラメータκを一意に決定できることを証明した。
• in silico実験では、DDEがSDEと比較して全5次元パラメータ空間においてバイアスと平均二乗誤差（MSE）の両方を低減していることが示された。
• DDEにおける最大の推定誤差はκ → 0のとき発生し、これは高分散組織（例：灰色 matter）の正確な推定にはより多くの測定値が必要である可能性を示唆している。
• DDEは高b値を必要とせず、推定精度を向上させることができ、高b値SDE手法に比べてより実用的で頑健な代替手法を提供する。
• 本手法は一般化可能であり、拡散係数の値について強い仮定を必要としないため、制約のない標準モデル（SM）への応用に適している。