[論文レビュー] Filtering in tractography using autoencoders (FINTA)

Jon Haitz Legarreta, Laurent Petit+5 more|arXiv (Cornell University)|Oct 7, 2020

Advanced Neuroimaging Techniques and Applications被引用数 3

ひとこと要約

FINTAは、教師なしの深層学習フレームワークを提案し、ラベルなしの tractogram から自己符号化器を用いて頑健なストリームライン表現を学習することで、解剖学的に不自然なストリームラインの正確なフィルタリングを可能にする。この手法は、自然なストリームラインと不自然なストリームラインを区別する際、90%を超える正確性を達成し、RecoBundles などの最先端手法を上回り、さまざまなトラッキング手法や部分的 tractogram に一般化可能である。

ABSTRACT

Current brain white matter fiber tracking techniques show a number of problems, including: generating large proportions of streamlines that do not accurately describe the underlying anatomy; extracting streamlines that are not supported by the underlying diffusion signal; and under-representing some fiber populations, among others. In this paper, we describe a novel autoencoder-based learning method to filter streamlines from diffusion MRI tractography, and hence, to obtain more reliable tractograms. Our method, dubbed FINTA (Filtering in Tractography using Autoencoders) uses raw, unlabeled tractograms to train the autoencoder, and to learn a robust representation of brain streamlines. Such an embedding is then used to filter undesired streamline samples using a nearest neighbor algorithm. Our experiments on both synthetic and in vivo human brain diffusion MRI tractography data obtain accuracy scores exceeding the 90\% threshold on the test set. Results reveal that FINTA has a superior filtering performance compared to conventional, anatomy-based methods, and the RecoBundles state-of-the-art method. Additionally, we demonstrate that FINTA can be applied to partial tractograms without requiring changes to the framework. We also show that the proposed method generalizes well across different tracking methods and datasets, and shortens significantly the computation time for large (>1 M streamlines) tractograms. Together, this work brings forward a new deep learning framework in tractography based on autoencoders, which offers a flexible and powerful method for white matter filtering and bundling that could enhance tractometry and connectivity analyses.

研究の動機と目的

• 拡散MRI tractographyにおいて、解剖学的に不自然なストリームラインの割合が著しく高いという継続的な課題に対処すること。
• ラベル付き学習データや事前の解剖学的知識に依存しない、データ駆動型の教師なしフィルタリング手法を開発すること。
• 誤検出の接続や不自然なストリームラインを除去することで、 tractometry および connectome 分析の信頼性を向上させること。
• 再訓練なしで異なるトラッキングアルゴリズムや部分的 tractogram に対応できる汎用的で効率的なフレームワークを構築すること。
• 100万本以上のストリームラインを含む大規模 tractogram に対しても高速かつスケーラブルにフィルタリングを実行し、生物学的に意味のある線路束を保持すること。

提案手法

• 本手法は、生のラベルなし tractogram からストリームラインの低次元かつ分離された表現を学習するため、3次元畳み込み自己符号化器を採用する。
• エンコーダーは各ストリームラインを、繊維経路の構造的および幾何的特徴を捉えたコン pact な埋め込みベクトルにマッピングする。
• 近隣探索アルゴリズムを用いて、学習された埋め込みに基づいてストリームラインを「自然なもの」と「不自然なもの」に分類する。
• フィルタリングのしきい値は、少数のストリームラインをラベル付けすることで決定され、再訓練なしに新しい tractogram へと転送可能である。
• 学習された埋め込みを用いてストリームライン間の距離を再定義することで、自然／不自然な分類にとどまらず、さまざまなフィルタリングタスクへの柔軟な適用が可能になる。
• 自己符号化器は、多様なソースからの tractogram に対してエンドツーエンドで訓練され、データセットやトラッキング手法を越えて一般化可能である。

実験結果

リサーチクエスチョン

• RQ1 教師なし自己符号化器は、解剖学的妥当性を捉える、頑健で分離された脳のストリームライン表現を学習できるか？
• RQ2 このような学習された表現は、ラベル付きデータや事前の解剖学的制約なしに、不自然なストリームラインの正確なフィルタリングを可能にするか？
• RQ3 FINTAのフィルタリング性能は、従来の解剖学的ベースの手法や RecoBundles などの最先端技術と比較してどうか？
• RQ4 FINTAは、さまざまなトラッキングアルゴリズム、部分的 tractogram、およびデータセットに対してどれほど一般化可能か？
• RQ5 本手法は、大規模 tractogram に対して計算時間を著しく短縮し、生物学的に意味のある線路束を保持できるか？

主な発見

• FINTAは、合成データおよび生体内ヒト脳データの両方において、自然なストリームラインと不自然なストリームラインを区別するテストセットの正確性が90%を超えた。
• 本手法は、従来の解剖学的ベースのフィルタリング手法および RecoBundles という最先端手法を上回るフィルタリング性能を示した。
• FINTAは、再訓練やアーキテクチャの変更なしに、さまざまなトラッキング手法やデータセットに効果的に一般化できた。
• フレームワークは部分的 tractogram のフィルタリングにも成功し、不完全または疎なストリームライン分布に対しても頑健であることが示された。
• FINTAは、大規模 tractogram（100万本以上のストリームライン）に対して計算時間を著しく短縮し、スケーラブルな処理を可能にした。
• 本手法は、corpus callosum などの複雑な領域における主要な白色内路束を保持したが、特に callosal BIL&GIN データセットのような疎なファシクル領域ではやや性能が低下した。