[論文レビュー] Tract orientation mapping for bundle-specific tractography

Jakob Wasserthal, Peter Neher+1 more|arXiv (Cornell University)|Jun 14, 2018

Advanced Neuroimaging Techniques and Applications参考文献 8被引用数 7

ひとこと要約

本稿では、fODFピークから白質線条体を表すオリエンテーションマップに回帰することで、バンドル固有の tractography 事前知識を学ぶ深層学習手法である Tract Orientation Mapping (TOM) を提案する。2次元エンコーダデコーダ型FCNNを用いることで、全脳 tractography やアトラス登録を必要とせず、1人当たり2分未満の高速かつ解剖学的に整合性のある tractography を実現。Diceスコア、角度誤差、実行時間の観点で最先端の手法を上回る性能を発揮した。

ABSTRACT

While the major white matter tracts are of great interest to numerous studies in neuroscience and medicine, their manual dissection in larger cohorts from diffusion MRI tractograms is time-consuming, requires expert knowledge and is hard to reproduce. Tract orientation mapping (TOM) is a novel concept that facilitates bundle-specific tractography based on a learned mapping from the original fiber orientation distribution function (fODF) peaks to a list of tract orientation maps (also abbr. TOM). Each TOM represents one of the known tracts with each voxel containing no more than one orientation vector. TOMs can act as a prior or even as direct input for tractography. We use an encoder-decoder fully-convolutional neural network architecture to learn the required mapping. In comparison to previous concepts for the reconstruction of specific bundles, the presented one avoids various cumbersome processing steps like whole brain tractography, atlas registration or clustering. We compare it to four state of the art bundle recognition methods on 20 different bundles in a total of 105 subjects from the Human Connectome Project. Results are anatomically convincing even for difficult tracts, while reaching low angular errors, unprecedented runtimes and top accuracy values (Dice). Our code and our data are openly available.

研究の動機と目的

• 拡散MRIにおける白質線条体の手動による、時間のかかる非再現性の高い解剖的分離の課題に対処すること。
• 全脳 tractography やアトラス登録、クラスタリングに依存しない、直接的なバンドル固有のオリエンテーション事前知識を学ぶことで、それらの依存を排除すること。
• fODFピークからバンドル固有のオリエンテーションマップ（TOM）へのマッピングを可能とする深層学習フレームワークを構築し、tractography の事前知識または直接入力として利用すること。
• バンドル固有 tractography の分野において、精度、実行時間、解剖学的妥当性の新しいベンチマークを確立すること。

提案手法

• エンコーダデコーダ構造とスキップ接続を備えた完全畳み込みニューラルネットワーク（FCNN）を用い、3次元のfODFピーク画像（9チャンネル入力）を20個のバンドル固有のオリエンテーションマップ（60チャンネル出力）にマッピングするように学習する。
• メモリ使用量を削減しつつ空間分解能を保持するため、y軸に沿った2次元スライスを用いる。入力のfODFピークは制約付き球面デコンボリューション（CSD）から得られる。
• バックグラウンド画素とバンドル画素のクラス不均衡に対処するため、重み付きコサイン類似度とl2ノルムの平均二乗誤差を組み合わせたカスタム損失関数を採用する。
• 半自動的に生成された参照線条体を用い、105名のHCP被験者で学習を実施。学習率は0.001、最適化手法はAdamaxを採用。
• TOMの出力を tractography の事前知識として使用するか、直接オリエンテーション場として入力することで、バンドル固有のストリームライン追跡を可能にする。
• アトラス登録、クラスタリング、全脳 tractography を回避することで、パイプラインを簡素化する。

実験結果

リサーチクエスチョン

• RQ1 全脳 tractography を必要とせず、fODFピークから直接、正確でバンドル固有のオリエンテーションマップを学習できるか？
• RQ2 20個の主要な白質線条体について、TOMは最先端の手法と比較して、Diceスコア、角度誤差、実行時間の観点でどのように性能を発揮するか？
• RQ3 複雑で重複する線条体に対しても、TOMは解剖学的に整合性があり完全なバンドルを生成できるか？
• RQ4 fODFピークのみを用いる場合と比較して、TOMを事前知識または直接入力として用いることで、tractography の精度が向上するか？

主な発見

• TOMは全20バンドルで最高のDiceスコアを達成し、RecoBundles、TractQuerier、WMA、アトラス登録手法を定量的評価で上回った。
• 低い角度誤差を達成し、TOMで予測されたピークが元のfODFピークよりも参照ピークからの角度ずれが小さかった。
• TOMは1人当たり2分未満でバンドル再構築を完了し、2番目に速い手法（アトラス登録、約11分）よりも5倍以上高速であった。
• TOMを用いた tractography は、偽陽性を伴わず空間的に整合性のある完全なバンドルを生成した。一方、決定論的 tractogram を用いたRecoBundlesは、側方CST投影部を欠落させるなど、重要な領域を損ねていた。
• TOMを直接用いた tractography は、TOMからピークを選択する手法よりも滑らかで正確な結果を示し、低い角度誤差と一致した。
• 外側側頭回路や皮質脊髄路など、困難な線条体に対しても、偽陽性が最小限に抑えられ、高いロバスト性を示した。