[論文レビュー] Improved reproducibility of diffusion kurtosis imaging using regularized non-linear optimization informed by artificial neural networks

Leevi Kerkelä, Kiran Seunarine+3 more|arXiv (Cornell University)|Mar 14, 2022

Advanced Neuroimaging Techniques and Applications被引用数 4

ひとこと要約

本論文は、高品質なdMRIデータからkurtosis指標（MK、AK、RK）を予測するための人工ニューラルネットワークを用いた、拡散kurtosisイメージング（DKI）のための新しい正則化非線形最適化フレームワークを提案する。これらの予測値がフィッティングプロセスの正則化に使用され、再現性と頑健性が著しく向上する。特に、径方向拡散率が低い白質線条で顕著に改善され、臨床的スキャン-再スキャンデータにおいて、DKIパラメータの再現性が拡散テンソルイメージング（DTI）と同等水準に達する。

ABSTRACT

Diffusion kurtosis imaging is an extension of diffusion tensor imaging that provides scientifically and clinically valuable information about brain tissue microstructure but suffers from poor robustness to noise, especially in voxels containing tightly packed aligned axons. We present a new algorithm for estimating diffusion and kurtosis tensors using regularized non-linear optimization and make it publicly available in an easy-to-use open-source Python software package. Our approach uses fully-connected feed-forward neural networks to predict kurtosis values in voxels where the standard non-linear least squares fit fails. The predicted values are then used in the objective function to avoid implausible kurtosis values. We show that our algorithm is more robust than standard non-linear least squares and a previously proposed regularized non-linear optimization method. The algorithm was then applied on a multi-site scan-rescan dataset acquired using a clinical scan protocol to assess the reproducibility of diffusion kurtosis parameter estimation in human white matter using the proposed algorithm. Our results show that the reproducibility of diffusion kurtosis parameters is similar to diffusion tensor parameters.

研究の動機と目的

• 標準非線形最小二乗法（NLLS）のDKIにおける低い頑健性、特に軸索が密に詰まったボクセルでkurtosis値が非現実的（例：負値）になる問題を解決すること。
• ノイズに起因するパラメータ推定の不安定性を低減することで、臨床的環境におけるDKIパラメータの再現性を向上させること。
• 真値データを必要とせず、一般化可能でオープンソースのソフトウェアソリューションを開発し、DKIの信頼性を向上させること。
• MK、AK、RKの予測値を用いた正則化が、MKのみを正則化対象とする既存手法を上回るかを検証すること。
• 標準臨床プロトコルに従ったマルチサイト・スキャン-再スキャンデータセットを用いて、本手法の妥当性を検証すること。

提案手法

• 標準NLLSで非負のkurtosis値しか得られないボクセルにおいて、全結合型の順方向ニューラルネットワークを訓練し、平均kurtosis（MK）、軸方向kurtosis（AK）、径方向kurtosis（RK）を予測する。
• ニューラルネットワークの予測値を非線形最小二乗目的関数の正則化項として用い、最適化中に予測値からの逸脱をペナルティ化する。
• データ適合性と正則化の両方を組み合わせたハイブリッド目的関数を解くために、Broyden-Fletcher-Goldfarb-Shanno（BFGS）アルゴリズムを適用する。
• NLLSで有効な（非負の）kurtosis値が得られた高品質dMRIスキャンから構築したトレーニングデータセットを用い、多様なマイクロストラクチャ的状態を捉えていると仮定する。
• 研究コミュニティでの再現可能でアクセス可能な利用を目的として、オープンソースのPythonパッケージ（https://github.com/kerkelae/dkmri で公開）に本手法を統合する。
• データ適合性と正則化の影響を調整するためのハイパーパrameter α を用い、これは各取得プロトコルごとにチューニングする必要がある。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークで予測されたkurtosis指標が、標準NLLSおよび既存の正則化手法と比較して、DKIパラメータ推定の頑健性を向上させるか？
• RQ2 MKの予測値だけでなく、AKおよびRKの予測値を用いた正則化が、径方向拡散率が低い領域におけるより現実的なkurtosisテンソル推定を可能にするか？
• RQ3 提案手法がマルチサイト・スキャン-再スキャン臨床的dMRIプロトコルにおいて、DKIパラメータの再現性をどの程度向上させるか？
• RQ4 同一の取得条件下で、本手法で推定されたDKIパラメータの再現性が、DTIパラメータの再現性と比較してどの程度優れているか？
• RQ5 本手法は異なる臨床的取得プロトコルに一般化可能か？また、データ品質やハイパーパrameter選択にどの程度感受性を示すか？

主な発見

• 提案手法は、標準NLLSおよびMK予測値のみを正則化対象とする既存手法と比較して、非現実的な負のkurtosis値を示すボクセル数を顕著に削減した。
• マルチサイトのスキャン-再スキャンデータセットにおいて、主要な白質線条でDKIパラメータの再現性（変動係数で測定）がDTIパラメータと同等水準に達した。
• トレーニングデータにおいて、MK、AK、RKの予測精度が高く、標準NLLSに対するバイアスの導入は最小限に抑えられていることが示された。
• 特に径方向拡散率が低く、標準NLLSがしばしば失敗する領域（例：内側索および内側索の後頭部）において、アルゴリズムの安定性が向上した。
• オープンソースのソフトウェアパッケージにより、神経画像解析コミュニティにおける広範な採用とさらなる手法開発が可能になった。
• 本手法は初期パラメータ値およびハイパーパrameter α に感受性を示すため、最適なパフォーマンスを得るには、各取得プロトコルごとにチューニングが必要である。