[論文レビュー] Fiber Tract Shape Measures Inform Prediction of Non-Imaging Phenotypes

Wan Liu, Yuqian Chen+6 more|arXiv (Cornell University)|Mar 16, 2023

Advanced Neuroimaging Techniques and Applications被引用数 5

ひとこと要約

本研究では、拡散MRIトラクトグラフィーから得られる線条路の形状特徴（長さ、径、縦長度）を用いて、認知的および人口統計的特性などの画像非依存型の兆候を予測する性能を向上させる手法を提案する。形状特徴を従来の微細構造および結合性特徴と組み合わせる二段階の統合戦略を採用することで、著しい性能向上が示され、特にNIH Toolbox絵画語彙力試験（TPVT）スコアの予測において顕著である。形状は神経画像バイオマーカーとして価値あるものであることが示された。

ABSTRACT

Neuroimaging measures of the brain's white matter connections can enable the prediction of non-imaging phenotypes, such as demographic and cognitive measures. Existing works have investigated traditional microstructure and connectivity measures from diffusion MRI tractography, without considering the shape of the connections reconstructed by tractography. In this paper, we investigate the potential of fiber tract shape features for predicting non-imaging phenotypes, both individually and in combination with traditional features. We focus on three basic shape features: length, diameter, and elongation. Two different prediction methods are used, including a traditional regression method and a deep-learning-based prediction method. Experiments use an efficient two-stage fusion strategy for prediction using microstructure, connectivity, and shape measures. To reduce predictive bias due to brain size, normalized shape features are also investigated. Experimental results on the Human Connectome Project (HCP) young adult dataset (n=1065) demonstrate that individual shape features are predictive of non-imaging phenotypes. When combined with microstructure and connectivity features, shape features significantly improve performance for predicting the cognitive score TPVT (NIH Toolbox picture vocabulary test). Overall, this study demonstrates that the shape of fiber tracts contains useful information for the description and study of the living human brain using machine learning.

研究の動機と目的

• 線条路の形状特徴（長さ、径、縦長度）が、認知的および人口統計的特性などの画像非依存型兆候を予測できるかどうかを調査すること。
• 拡散MRIからの既存の微細構造および結合性測定値と組み合わせた形状特徴の予測性能を評価すること。
• 形状、微細構造、結合性特徴を統合するための二段階の統合戦略を開発・適用し、予測性能の向上を図ること。
• 脳のサイズに起因するバイアスを低減するため、脳サイズの正規化が形状ベースのモデルに与える影響を評価すること。

提案手法

• Human Connectome Project（HCP）データセットのトラクトグラフィー結果から、線条路の形状特徴（長さ、径、縦長度）を抽出した。
• 2つの異なる予測手法を適用した：従来の回帰モデルとディープラーニングベースのアプローチ。
• 形状特徴と微細構造および結合性特徴を統合するための二段階の統合戦略を実装し、予測性能の向上を図った。
• 個々の脳のサイズの差によるバイアスを軽減するため、形状特徴を正規化した。
• HCP若年成人データセット（n=1065）を用いて、複数の画像非依存型兆候のトレーニングおよび評価を実施した。
• 標準的な回帰指標を用いてモデルのパフォーマンスを評価し、特にTPVT認知試験スコアに注目した。

実験結果

リサーチクエスチョン

• RQ1 線条路の形状特徴（長さ、径、縦長度）は、認知的および人口統計的特性などの画像非依存型兆候を独立して予測できるか？
• RQ2 従来の微細構造および結合性特徴と組み合わせた場合、形状特徴は拡散MRIにおける予測性能を向上させるか？
• RQ3 形状特徴の正規化は、脳サイズに起因する予測バイアスにどのように影響するか？
• RQ4 認知結果の予測において、形状特徴が微細構造および結合性特徴に比べて果たす相対的寄与度はどの程度か？
• RQ5 二段階の統合戦略は、多モodalな神経画像特徴を効果的に統合し、兆候予測の性能を向上させることができるか？

主な発見

• 個々の形状特徴、特に長さと縦長度は、認知スコアを含む画像非依存型兆候の予測に顕著な予測能力を示した。
• 微細構造および結合性特徴と組み合わせた場合、形状特徴はNIH Toolbox絵画語彙力試験（TPVT）スコアの予測において統計的に有意な向上をもたらした。
• 二段階の統合戦略は、形状、微細構造、結合性特徴からの補完的情報を効果的に活用し、全体の予測精度を向上させた。
• 正規化された形状特徴は、脳サイズに起因する予測バイアスを低減し、個々の被験者にわたるモデルの頑健性を向上させた。
• ディープラーニングベースの手法は、形状特徴を組み込む場合、一部のケースで従来の回帰モデルを上回る性能を示した。
• 本研究では、線条路の形状が人間の脳-行動関係をモデル化する上で意味のある、重複のない情報を持つことが確認された。