[論文レビュー] Resolving orientation-specific diffusion-relaxation features via Monte-Carlo density-peak clustering in heterogeneous brain tissue

Alexis Reymbaut, J. P. Almeida de Martins+4 more|arXiv (Cornell University)|Apr 18, 2020

Advanced Neuroimaging Techniques and Applications被引用数 8

ひとこと要約

本稿では、テンソル値の拡散符号化、モンテカルロ信号逆問題、密度ベースクラスタリングを組み合わせた新規手法であるモンテカルロ密度ピーククラスタリング（MC-DPC）を提案する。この手法により、不均一な脳組織内の微小な線維の方向とそれに関連する拡散・緩和特性を、体積素子を超えた解像度で解明できる。MC-DPCは方向に依存する拡散度および緩和率を正確に捉え、特に複雑で交差する線維が存在する領域においても、既知の解剖学的構造と高い一貫性を示す、頑健なマイクロ構造特徴抽出を可能にする。

ABSTRACT

Characterizing the properties and orientations of sub-voxel fiber populations, although essential to study white-matter architecture, microstructure and connectivity, remains one of the main challenges faced by the MRI microstructure community. While some progress has been made in overcoming this challenge using models, signal representations and tractography algorithms, these approaches are ultimately limited by their key assumptions or by the lack of specificity of the diffusion signal alone. In order to alleviate these limitations, we combine diffusion-relaxation MR acquisitions incorporating tensor-valued diffusion encoding, Monte-Carlo signal inversions that extract non-parametric intra-voxel distributions of diffusion tensors and relaxation rates, and density-based clustering techniques. This new approach, called "Monte-Carlo density-peak clustering" (MC-DPC), first delineates clusters in the diffusion-orientation subspace of the fiber-like diffusion-relaxation components output by Monte-Carlo signal inversions and then draws from the statistical aspect of these inversion algorithms to compute the median and interquartile range of orientation-resolved means of diffusivities and relaxation rates. Evaluating MC-DPC on tensor-valued diffusion-encoded and T2-weighted correlated datasets in silico and in vivo, we demonstrate its ability to simultaneously capture sub-voxel fiber orientations and cones of uncertainty, and measure fiber-specific diffusion-relaxation properties that are consistent with the known anatomy and existing literature. Straightforwardly translatable to other diffusion-relaxation correlation experiments probing $T_1$ and $T_2^*$, MC-DPC shows potential in tracking bundle-specific patient-control group differences and longitudinal microstructural changes, enabling new tools for microstructure-informed tractography, and mapping tract-specific myelination states.

研究の動機と目的

• 微小な線維集団が異なるマイクロ構造的性質を有する場合に、拡散MRIが複数の線維集団を解像できないという限界を克服すること。
• パrametricな枠組みを用いずに、緩和率と拡散度を組み合わせることで、方向のみに依存する測定を超えた特徴の特定を向上させること。
• ノイズが多く複雑な拡散・緩和データにおいても、線維固有の特徴を特定可能な頑健なクラスタリング手法の開発。
• 生体内およびシミュレーション環境下で、方向に依存する拡散度および緩和率の分布を正確に推定すること。
• 臨床的および研究的応用において、マイクロ構造を考慮したトラクトグラフィーとミエリン化の変化を長期間追跡可能にする支援。

提案手法

• 体積素子内マイクロ構造的特徴への感度を高めるために、テンソル値の拡散符号化を用いる。これにより、b-テンソルの大きさ、形状、方向を捉える。
• 非パrametricでベイズ的後方分布としての拡散テンソルおよび緩和率の推定を実現するため、モンテカルロ信号逆問題を採用。5次元の拡散・緩和空間全体にわたる推定を実施。
• 逆問題の分布の方向性サブスペースにおいて、密度ピーククラスタリング（DPC）を適用。局所的な密度とクラスタ中心までの距離を用いてクラスタを同定。
• ブートストラップ解の中央値および四分位範囲を計算することで、方向に依存する拡散度および緩和率推定の不確実性と中心傾向を定量化。
• 複数のノイズ実現を統合するためにブートストラップリサンプリングを用い、頑健性および統計的信頼性を向上。
• T2強調画像およびテンソル値の拡散符号化を用いて取得した生体内ヒト脳データと、シミュレーションデータの両方を用いて、手法の妥当性を検証。

実験結果

リサーチクエスチョン

• RQ1 MC-DPCは、複雑な白質領域において、異なる方向とマイクロ構造的性質を有する複数の体積素子を超えた線維集団を信頼性高く解明できるか？
• RQ2 シミュレーションデータにおいて、MC-DPCは真値と比較して、方向に依存する拡散度および緩和率の分布をどの程度正確に推定できるか？
• RQ3 低〜中程度の信号対雑音比（SNR）において、MC-DPCは精度と正確性をどの程度維持できるか？
• RQ4 生体ヒト脳データにおいて、MC-DPCは既知の神経解剖学的構造と整合する線維固有のマイクロ構造的特徴を検出できるか？
• RQ5 MC-DPCは、従来のODFに基づくピーク検出法と比較して、線維の方向とマイクロ構造的パラメータの推定において、どの程度優れているか？

主な発見

• MC-DPCは、シミュレーションおよび生体データの両方において、体積素子を超えた線維の方向とそれに関連する拡散および緩和特性を、既知の解剖学的構造と高い一貫性をもって解明した。
• SNR = 90の条件下で、多数の線維成分について10°未満の角度偏差を達成し、方向推定の高精度性を示した。
• ノイズが存在する状況下でも、シミュレーションデータにおいて中央値の拡散度および緩和率の値が真値の10%以内に回復された。
• MC-DPCは、特に高SNR条件下で、方向に依存するマイクロ構造的パラメータの真の不確実性を反映する信頼性の高い四分位範囲推定を提供した。
• MC-DPCにより計算された方向に依存する拡散度および緩和率の平均値は、既存のモデルおよび文献に示された期待値と強く一致した。
• 特に複数の密接に配置された線維集団が存在する領域において、ODFに基づくピーク検出法よりもMC-DPCが複雑な線維構成をより優れた性能で解明した。