[論文レビュー] HAMLET: Hierarchical Harmonic Filters for Learning Tracts from Diffusion MRI

Marco Reisert, Volker A. Coenen+3 more|arXiv (Cornell University)|Jul 3, 2018

Advanced Neuroimaging Techniques and Applications被引用数 12

ひとこと要約

HAMLET は、回転共変な球面テンソルフィルタを用いて、データ拡張を伴わせずに、拡散MRIデータから直接線条路の方向と存在を予測する深層学習フレームワークであり、データ拡張なしで、頑健で一般化可能かつポータブルな線条路セグメンテーションを実現する。階層的マルチスケール畳み込みと球面テンソル代数を活用し、内在的な空間的・方向的パターンを学習することで、異なる画像取得プロトコルに対しても、正確で自動的なトラクトグラフィを実現する。

ABSTRACT

In this work we propose HAMLET, a novel tract learning algorithm, which, after training, maps raw diffusion weighted MRI directly onto an image which simultaneously indicates tract direction and tract presence. The automatic learning of fiber tracts based on diffusion MRI data is a rather new idea, which tries to overcome limitations of atlas-based techniques. HAMLET takes a such an approach. Unlike the current trend in machine learning, HAMLET has only a small number of free parameters HAMLET is based on spherical tensor algebra which allows a translation and rotation covariant treatment of the problem. HAMLET is based on a repeated application of convolutions and non-linearities, which all respect the rotation covariance. The intrinsic treatment of such basic image transformations in HAMLET allows the training and generalization of the algorithm without any additional data augmentation. We demonstrate the performance of our approach for twelve prominent bundles, and show that the obtained tract estimates are robust and reliable. It is also shown that the learned models are portable from one sequence to another.

研究の動機と目的

• 原始的な拡散MRIを直接方向性線条路サリエンシー地図にマップする深層学習手法を開発すること。従来のトラッキングやアトラス登録を回避する。
• アトラスベースおよびモデルベースのトラクトグラフィの限界、例えば誤検出や低解像度またはノイズの多いデータへの感受性を克服すること。
• 球面テンソル代数を用いてネットワークアーキテクチャに直接回転共変性を埋め込むことで、回転および平行移動に対して不変性を確保すること。
• 再トレーニングや大量のデータ拡張なしに、さまざまな拡散MRIプロトコル間での一般化を可能にすること。
• 臨床的および研究的現場における線条路ラベリングおよび可視化の完全自動でエンドツーエンドのパイプラインを提供すること。

提案手法

• HAMLET は、線条路の存在と方向を表すために、2次の球面テンソル場（トレースレス対称 3×3 行列）を用いた階層的マルチスケール畳み込みを採用する。
• フィルタは球面テンソル代数を用いて構築され、内在的な回転および平行移動共変性を保証するため、データ拡張に依存せずに空間的・方向的関係を学習できる。
• アーキテクチャは、回転共変性を保ったまま繰り返し畳み込みと非線形関数を適用し、明示的なデータ拡張なしに一般化を可能にする。
• ネットワークは、複数スケールにおける予測された線条路マップと真値との誤差を最小化する線形最小二乗誤差関数とTikhonov正則化を用いて訓練される。
• 特徴マップは、複数スケールにおける拡散データの球面調和変換から計算され、高いダイナミックレンジを扱うために正規化が施される。
• 最終出力は、大きさが線条路の可能性を示し、方向が局所的な線条路方向を示すテンソル場であり、後続のストリームライントラッキングに適している。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、回転および平行移動に対して不変であると同時に、原始的な拡散MRIデータから直接線条路の存在と方向を予測できるか？
• RQ2 回転共変フィルタを用いたモデルは、再トレーニングやデータ拡張なしに、さまざまな拡散MRIプロトコルに一般化できるか？
• RQ3 階層的マルチスケール処理は、線条路局所化の精度および線維束幾何の細分化表現を向上させることができるか？
• RQ4 臨床的に関連する低解像度 dMRI データにおいて、HAMLET は既存の手法に比べてどれほど頑健で信頼性が高いか？
• RQ5 学習されたモデルは、異なるスキャナーやプロトコル間で移行可能であり、高い性能を維持できるか？

主な発見

• HAMLET は、cingulum、arcuate fasciculus、corticospinal tract を含む12の主要な白質線条路について、頑健で信頼性の高い線条路推定を達成した。
• モデルは、明示的にトレーニングされていないプロトコルに対しても、効果的に一般化され、強力なポータビリティを示した。
• 回転共変フィルタの使用により、データ拡張の必要がなくなり、トレーニングの複雑さが著しく低下し、一般化性能が向上した。
• 高品質で視覚的に解釈可能なテンソル場を生成し、正確なストリームライントラッキングおよび線条路体積測定を可能にした。
• 階層的マルチスケール設計により、グローバルな文脈とローカルな詳細の有効な統合が可能となり、線条路局所化および方向精度の両方を向上させた。
• 正則化を伴う線形トレーニング手順により、大規模な3Dボリュームでも安定した収束と効率的な推論が達成された。