[論文レビュー] Tractogram filtering of anatomically non-plausible fibers with geometric deep learning

Pietro Astolfi, Ruben Verhagen+5 more|arXiv (Cornell University)|Mar 24, 2020

Advanced Neuroimaging Techniques and ApplicationsMedicine参考文献 25被引用数 18

ひとこと要約

本論文では、各ストリームラインを点群として扱い、局所的な幾何的関係を活用することで、解剖学的に不自然な繊維をトラクトグラムからフィルタリングするための幾何的深層学習アプローチを提案する。修正版ダイナミックエッジ畳み込み（sDEC）モデルを用いた手法は、自然な繊維と不自然な繊維を区別する際、95%を超える精度を達成しており、100万本の繊維を含むトラクトグラムの推論がGPU上で50秒未塔で実行可能であり、曲率や長さの変動に対して従来モデルを上回る頑健性を示した。

ABSTRACT

Tractograms are virtual representations of the white matter fibers of the brain. They are of primary interest for tasks like presurgical planning, and investigation of neuroplasticity or brain disorders. Each tractogram is composed of millions of fibers encoded as 3D polylines. Unfortunately, a large portion of those fibers are not anatomically plausible and can be considered artifacts of the tracking algorithms. Common methods for tractogram filtering are based on signal reconstruction, a principled approach, but unable to consider the knowledge of brain anatomy. In this work, we address the problem of tractogram filtering as a supervised learning problem by exploiting the ground truth annotations obtained with a recent heuristic method, which labels fibers as either anatomically plausible or non-plausible according to well-established anatomical properties. The intuitive idea is to model a fiber as a point cloud and the goal is to investigate whether and how a geometric deep learning model might capture its anatomical properties. Our contribution is an extension of the Dynamic Edge Convolution model that exploits the sequential relations of points in a fiber and discriminates with high accuracy plausible/non-plausible fibers.

研究の動機と目的

• 拡散MRI繊維追跡によって生成される、アーティファクト的で解剖学的に不自然な繊維の持続的課題に対処すること。
• 幾何的深層学習モデルが、ストリームラインの点群表現から解剖学的妥当性を効果的に学習できるかどうかを検討すること。
• 従来の信号再構築および逐次モデルを上回る、高速で正確かつ一般化可能なフィルタリング手法を開発すること。
• ストリームラインの長さおよび曲率が分類性能およびモデルの頑健性に与える影響を調査すること。

提案手法

• 本手法は各ストリームラインを3次元点群として扱い、点間の局所的な幾何的関係を捉えるために、修正版ダイナミックエッジ畳み込み（sDEC）モデルを採用する。
• sDECモデルは順列不変性および順序に頑健な設計となっており、ストリームライン内の点の順序に関係なく性能を維持する。
• 訓練用の正例ラベルを提供するためのルールベースのヒューリスティック手法（ExTractor）を用い、繊維を解剖学的に妥当（P）または不適切（nP）に分類する。
• これらのラベルを用いて教師あり学習でモデルを訓練し、複数の被験者に対して精度、適合率、再現率、F1スコアを評価する。
• 柔軟性および精度の向上を評価するため、双方向LSTM（bLSTM）および標準的なPointNet（PN）モデルと比較する。
• 本手法はBrainLifeアプリとしてデプロイされ、再現性を確保するため、コードおよび20個のラベル付きトラクトグラムデータセットを公開している。

実験結果

リサーチクエスチョン

• RQ1 幾何的深層学習モデルは、ストリームラインの3次元点群表現から解剖学的妥当性を効果的に学習できるか？
• RQ2 sDECの性能は、ストリームラインの長さや曲率に応じて、bLSTMおよびPointNetと比較して非自然な繊維のフィルタリングにおいてどのように異なるか？
• RQ3 点の順序および幾何的構造に対するモデルの頑健性が、分類精度をどの程度向上させるか？
• RQ4 異なるストリームライン形状における誤検出（偽陽性）および見逃し（偽陰性）の誤差分布はどのように変化するか？

主な発見

• sDECモデルは、被験者間で標準偏差が小さいことから、解剖学的に妥当な繊維と不適切な繊維を区別する平均精度が95%を超える。
• NVIDIA Titan Xp GPU上では、約100万本のストリームラインを含むトラクトグラムを46.2秒未塔でフィルタリングできる。
• sDECはbLSTMおよびPointNetを上回り、特に長く曲がったストリームラインの処理において顕著な改善を示し、PNと比較して偽陽性誤差を40%削減した。
• 誤差解析の結果、PNは長く曲がったストリームラインを妥当と誤分類する傾向が強く、偽陽性率が高くなることが判明した。
• ExTractorヒューリスティック手法によるノイズや一貫性のない正例ラベルに対しても、本モデルは高い一般化性能を示した。
• sDECモデルが点間の局所的な幾何的エッジをモデル化できる点が、複雑で曲がった経路において競争上の優位性をもたらした。