[論文レビュー] Region segmentation for sparse decompositions: better brain parcellations from rest fMRI

Alexandre Abraham, Elvis Dohmatob+3 more|arXiv (Cornell University)|Dec 12, 2014

Functional Brain Connectivity Studies参考文献 10被引用数 7

ひとこと要約

本稿では、幾何的セグメンテーション技術（特にランダムウォーカー）を用いた後処理フレームワークを提案し、安静状態fMRIデータから得られる脳パラケルレーションの疎性および空間的整合性を向上させることを目的としている。ランダムウォーカーによるセグメンテーションは、密度の高い（ICA）および疎な（MSDL）両モデルにおいて、安定性を顕著に向上させつつ、データの忠実性を維持することが示された。

ABSTRACT

Functional Magnetic Resonance Images acquired during resting-state provide information about the functional organization of the brain through measuring correlations between brain areas. Independent components analysis is the reference approach to estimate spatial components from weakly structured data such as brain signal time courses; each of these components may be referred to as a brain network and the whole set of components can be conceptualized as a brain functional atlas. Recently, new methods using a sparsity prior have emerged to deal with low signal-to-noise ratio data. However, even when using sophisticated priors, the results may not be very sparse and most often do not separate the spatial components into brain regions. This work presents post-processing techniques that automatically sparsify brain maps and separate regions properly using geometric operations, and compares these techniques according to faithfulness to data and stability metrics. In particular, among threshold-based approaches, hysteresis thresholding and random walker segmentation, the latter improves significantly the stability of both dense and sparse models.

研究の動機と目的

• ICAおよび疎分解手法から得られる脳マップにおける空間的整合性の欠如と過剰セグメンテーションの問題に対処すること。
• 機能的マップから意味的で重複のない脳領域を自動的に抽出する、幾何学的ベースの後処理技術を開発すること。
• データ忠実性および安定性の定量的指標を用いて、領域抽出手法を評価・比較すること。
• 機能的MRIデータから脳パラケルレーションを生成する際、最も強固で忠実な手法を同定すること。

提案手法

• 各ボクセルを値が最大の成分に硬い割り当てることで、初期の重複のないセグメンテーションを生成する。
• 脳ボクセル数に基づいた自動閾値設定を用い、各マップに対してデータ駆動型の閾値を決定する。
• ヒステリシス閾値処理を適用して、別々の高・低閾値を用いることで、不審な小さな領域を低減する。
• シードポイントからの確率伝搬に基づき、ランダムウォーカーアルゴリズムを用いて領域セグメンテーションを実行し、滑らかで整合性のある領域を優先する。
• これらの手法を空間モデリングと組み合わせ、解剖学的に妥当な領域を維持し、断片化された領域を回避する。
• 安定性評価には正規化相互情報量（NMI）を、データ忠実性評価には説明分散を用いる。

実験結果

リサーチクエスチョン

• RQ1 ICAおよびMSDLモデルの異なるパラメータ設定において、どの領域抽出手法が最も安定したパラケルレーションを提供するか？
• RQ2 閾値ベース手法と幾何的セグメンテーション手法は、データ忠実性および空間的整合性の維持においてどのように比較されるか？
• RQ3 凸型の代替手法よりも、非凸型のセグメンテーション手法（例：ランダムウォーカー）は、生物学的に妥当な脳領域をより効果的に抽出できるか？
• RQ4 ランダムウォーカーの性能向上は、密度の高いモデルと疎なモデルの両方で顕著に現れるか？
• RQ5 異なる領域抽出戦略は、機能的脳ネットワークの解釈可能性にどの程度影響を及えるか？

主な発見

• ランダムウォーカーによるセグメンテーションは、全テストモデルにおいて最高の安定性を達成し、他の手法と比較して統計的に有意な改善を示した。
• 特に疎モデル（MSDL）において、ランダムウォーカーは基礎的な分解による不安定性を効果的に是正した。
• ハード閾値処理、自動閾値、ヒステリシス、ランダムウォーカーのすべての手法が、同等のデータ忠実性を達成しており、説明分散スコアは互いに2%以内の差にとどまった。
• ヒステリシス閾値処理は、不審な小さな領域を低減できたが、大きな連続領域を明確な機能的コンポonentに分割できなかった。
• ランダムウォーカーは、大規模な機能的ネットワーク（例：デフォルトモードネットワーク）を、他の手法とは異なり複数のサブ領域に効果的に分割できた。
• ランダムウォーカー手法は、滑らかで解剖学的により妥当な領域を生成し、元のマップの等高線に従う形で境界を形成し、鋭く不自然な境界を避けることができた。