[論文レビュー] Generative diffeomorphic atlas construction from brain and spinal cord MRI data

Claudia Blaiotta, Patrick Freund+2 more|arXiv (Cornell University)|Jul 5, 2017

Medical Image Segmentation Techniques参考文献 29被引用数 6

ひとこと要約

本論文は、ベイズ的手法を用いて脳と脊髄のMRIデータを統合的にモデリングする階層的生成型微分同相アトラスフレームワークを提案する。これにより、中枢神経系全体にわたり同時に画像分類とアトラス登録が可能になる。本手法は、信号強度と形状のばらつきを微分同相変換を用いたガウス・ミクスチャーモデルで統合することで、神経変性疾患および外傷性状態における形態計測分析を著しく改善する、ロバストで自動的かつ集団特異的なアトラス構築を実現する。

ABSTRACT

In this paper we will focus on the potential and on the challenges associated with the development of an integrated brain and spinal cord modelling framework for processing MR neuroimaging data. The aim of the work is to explore how a hierarchical generative model of imaging data, which captures simultaneously the distribution of signal intensities and the variability of anatomical shapes across a large population of subjects, can serve to quantitatively investigate, in vivo, the morphology of the central nervous system (CNS). In fact, the generality of the proposed Bayesian approach, which extends the hierarchical structure of the segmentation method implemented in the SPM software, allows processing simultaneously information relative to different compartments of the CNS, namely the brain and the spinal cord, without having to resort to organ specific solutions (e.g. tools optimised only for the brain, or only for the spinal cord), which are inevitably harder to integrate and generalise.

研究の動機と目的

• 脳と脊髄のMRIデータの統合的解析のための統一的モデリングフレームワークを開発すること。
• 信号強度分布と解剖学的形状ばらつきの両方をモデリングすることで、中枢神経系全体にわたる画像分類と登録の課題を解決すること。
• 再現可能でスケーラブルかつ一般化可能なアトラス構築手法を確立し、神経変性疾患および外傷性中枢神経系障害に応用可能とすること。
• 単一の一貫した解剖学的空間を用いて、中枢神経系の形態を定量的・生体内的に調査することを可能とすること。

提案手法

• 本手法は、SPMの画像分類フレームワークを拡張した階層的ベイズ生成モデルを採用し、脳と脊髄のデータを同時にモデリングする。
• 潜在変数を用いたガウス・ミクスチャーモデルを用い、組織クラスを定義する。観測データ（MRI強度）は、隠れた解剖学的状態に条件付けられる。
• 微分同相変換を用いて被験者間の形状ばらつきをモデル化し、滑らかで逆写像可能で生物学的に妥当な空間正規化を実現する。
• 平均および分散パラメータに共役なガウス＝ウィッシュァート事前分布を導入し、変分ベイズ推論フレームワーク内で解析的後方更新を可能にする。
• 繰り返しの期待値最大化アルゴリズムにより、所属確率、隠れた状態、およびモデルパラメータを交互に更新することで、後方推論を実行する。
• 後方期待値からの十分統計量を計算し、ガウス＝ウィッシュァート後方分布を更新することで、組織確率マップおよび変形場のロバスト推定を実現する。

実験結果

リサーチクエスチョン

• RQ1 単一の生成モデルが、集団全体にわたる脳および脊髄の信号強度と形状の連合的ばらつきを効果的に捉えることができるか？
• RQ2 統一されたフレームワーク内で脳と脊髄のデータを統合することで、臓器特異的アプローチと比較して、画像分類および登録の正確性がどの程度向上するか？
• RQ3 複雑な形状および強度のばらつきが存在する状況でも、微分同相アトラス構築法がトポロジーの一貫性と解剖学的妥当性をどの程度保持できるか？
• RQ4 潜在変数を用いた階層的ベイズモデルが、神経画像データにおける欠損データおよび不確実性のモデリングに、どの程度の性能向上をもたらすか？

主な発見

• 提案されたフレームワークにより、単一の一貫した解剖学的空間を用いて、脳および脊髄のMRIデータの完全自動的かつ同時画像分類と登録が可能になる。
• 信号強度と形状のばらつきを統一された生成モデル内でモデリングすることで、本手法は、より高いロバスト性と再現性を達成する。
• 微分同相変換の使用により、被験者間で滑らかで逆写像可能で生物学的に妥当な空間正規化が保証される。
• ガウス・ミクスチャーモデルと変分ベイズ推論を組み合わせることで、手動ラベルの限界がある状況でも、組織確率マップおよび変形場の正確な推定が可能になる。
• 本フレームワークは、集団特異的なアトラス構築をサポートし、神経変性疾患および外傷性中枢神経系障害における形態計測的変化の感受性を高める。
• 共通のモデル構造を用いた脳と脊髄のデータ統合により、別々の臓器特異的ツールの必要性が低減され、一般化可能性と一貫性が向上する。