[論文レビュー] Realistic voxel sizes and reduced signal variation in Monte-Carlo simulation for diffusion MR data synthesis

Matt G. Hall, Gemma Nedjati‐Gilani+1 more|arXiv (Cornell University)|Jan 13, 2017

Advanced Neuroimaging Techniques and Applications参考文献 8被引用数 8

ひとこと要約

本稿では、現実的なボクセルサイズの組織基板を用いた拡散MRIデータ合成のための最適化されたモンテカルロシミュレーション手法を提案する。基板構築およびシミュレーションの両段階において、動的空間分割と局所的交差チェックを適用することにより、標準的なハードウェア上でも大規模で複雑な基板（例：100万本のシリンダーを含む）を効率的にシミュレート可能となり、従来の手法と比較して合成拡散加重信号のバイアスと分散を顕著に低減する。

ABSTRACT

To synthesize diffusion MR measurements from Monte-Carlo simulation using tissue models with sizes comparable to those of scan voxels. Larger regions enable restricting structures to be modeled in greater detail and improve accuracy and precision in synthesized diffusion-weighted measurements. We employ a localized intersection checking algorithm during substrate construction and dynamical simulation. Although common during dynamics simulation, a dynamically constructed intersection map is also applied here during substrate construction, facilitating construction of much larger substrates than would be possible with a naive "brute-force" approach. We investigate the approach's performance using a packed cylinder model of white matter, investigating optimal execution time for simulations, convergence of synthesized signals and variance in diffusion-weighted measurements over a wide range of acquisition parameters. The scheme is demonstrated with cylinder-based substrates but is also readily applicable to other geometric primitives, such as spheres or triangles. The algorithm enables models with far larger substrates to be run with no additional computational cost. The improved sampling reduces bias and variance in synthetic measurements. The new method improves accuracy, precision, and reproducibility of synthetic measurements in Monte-Carlo simulation-based data synthesis. The larger substrates it makes possible are better able to capture the complexity of the tissue we are modeling, leading to reduced bias and variance in synthesised data, compared to existing implementation of MC simulations.

研究の動機と目的

• 臨床的スキャンボクセルよりもはるかに小さい基板を用いた従来のモンテカルロシミュレーションでは、合成拡散加重信号にバイアスとばらつきが生じるという制限を解消すること。
• 現実的なボクセルスケールの寸法を持つ基板を用いることで、合成拡散MRIデータの正確性と精度を向上させること。
• 交差チェックのための動的空間分割アルゴリズムを導入することで、基板構築とダイナミクスシミュレーションにおける計算ボトルネックを軽減すること。
• 本手法によって実現可能な大規模な基板が、合成拡散測定におけるバイアスと分散を低減することを示すこと。
• 標準的なデスクトップハードウェア上で、高精度で生物学的に妥当な組織モデル（例：ガンマ分布に従う半径のパックドシリンダー）を用いたシミュレーションを可能にすること。

提案手法

• 基板ボリュームを均一な空間分割（グリッド）で分割し、各サブボクセルに交差する幾何的オブジェクト（例：シリンダー）のリストを保持する。
• 基板構築段階では、新規に配置されたシリンダーと既存のものとの重なりを効率的にチェックするための動的交差マップを用い、ブルートフォースなO(N²)チェックを回避する。
• 空間分割はダイナミクスシミュレーションだけでなく、初期の基板構築段階にも適用され、オブジェクト総数に依存しないスケーラブルなパフォーマンスを実現する。
• グリッドサイズはシリンダー平均半径に基づき、メモリ使用量と計算コストのバランスを取る。特にサブボクセルサイズがシリンダー半径のモードと直径の間にある場合に最適なパフォーマンスが得られる。
• シミュレーションでは、シリンダー境界で弾性反射を伴うランダムウォーク軌道を用い、スピンの平均二乗変位から信号減衰を計算する。
• 交差チェックをそれぞれの形状に適応させることで、本手法は球体や三角形メッシュなどの他の幾何的プリミティブに対しても汎用的に適用可能である。

実験結果

リサーチクエスチョン

• RQ1 臨床的スキャンボクセルの物理的サイズに一致する基板を用いた拡散MRIのモンテカルロシミュレーションを、効率的にスケーリングできるか？
• RQ2 基板構築段階において空間的分割を適用することで、大規模で複雑な組織モデルの構築にかかる計算コストが顕著に低減されるか？
• RQ3 基板サイズを拡大することで、合成拡散加重信号測定におけるバイアスと分散はどの程度低減されるか？
• RQ4 サブボクセルグリッドサイズの選択が、シミュレーションのパフォーマンスと正確性にどのように影響するか？
• RQ5 提案手法により、高性能コンピューティングリソースを必要とせず、標準的なデスクトップハードウェア上でも高精度な合成データ生成が可能になるか？

主な発見

• 提案手法により、従来の計算コストのため実現不可能だった、標準的なデスクトップハードウェア上での最大100万本のシリンダーを含む基板の構築とシミュレーションが可能となった。
• 空間的分割を適用することで、基板構築時間はスケーラブルに改善され、実際には時間計算量がO(N²)からO(N)に低下し、Nが大きくてもパフォーマンスに影響がない。
• 臨床的スキャンボクセル（例：1 mm³）と同等のサイズの基板を用いたシミュレーションでは、サンプルサイズが1,000本を超えるとバイアスが1%未満にまで低下するが、これは小規模な基板では達成不可能である。
• 本手法により実現可能な大規模な基板を用いることで、合成拡散加重測定の信号分散が顕著に低減され、合成データの再現性と信頼性が向上する。
• 最適なサブボクセルグリッドサイズは、シリンダー半径のモードと直径の間にあるが、広い最小値領域を示しており、さまざまな設定においても堅牢なパフォーマンスを発揮する。
• 非最適化アプローチと比較して、シミュレーション時間に10倍の高速化を達成しており、最速の実行では3,000秒、最遅い最適化実行でも30,000秒で完了する。