[論文レビュー] Tractometry-based Anomaly Detection for Single-subject White Matter Analysis

Maxime Chamberland, Sila Genc+7 more|arXiv (Cornell University)|May 22, 2020

Advanced Neuroimaging Techniques and Applications参考文献 12被引用数 4

ひとこと要約

本論文は、1名の被験者に対する拡散MRIにおける非教師付き異常検出のためのトラクトメトリックベースのディープオートエンコーダーフレームワークを提案する。健康な対照群からのノーマルな白質微細構造を学習し、希少なコピー数変異を有する児童における乖離を同定する。この手法はzスコア法およびPCAベースの手法を上回り（AUC：0.86 対 0.53 および 0.61）、臨床的に多様性のある希少症例における個別化された微細構造異常の検出を可能にする。

ABSTRACT

There is an urgent need for a paradigm shift from group-wise comparisons to individual diagnosis in diffusion MRI (dMRI) to enable the analysis of rare cases and clinically-heterogeneous groups. Deep autoencoders have shown great potential to detect anomalies in neuroimaging data. We present a framework that operates on the manifold of white matter (WM) pathways to learn normative microstructural features, and discriminate those at genetic risk from controls in a paediatric population.

研究の動機と目的

• 希少または臨床的に多様性のある症例に対して、拡散MRIにおける1名単位の解析フレームワークの不足に対処すること。
• ラベル付き患者データを必要とせずに、ノーマルパターンからの微細構造的乖離を検出することで、個別化診断を可能にすること。
• ボクセルベースのノーマルモデリングの制限を克服し、白質線条の解剖学的に意味のある多様体上で作業すること。
• 健康対照群からのみ学習する非教師付きフレームワークを開発し、その後の未観測被験者における外れ値検出を可能にすること。
• グループレベルの比較から個別化医療への移行を促進し、被験者固有の微細構造的異常を同定すること。

提案手法

• 通常発達児童90名およびコピー数変異（CNV）を有する8名から、高b値拡散MRIデータ（b = 6000 s/mm²）を収集した。
• 各ボクセルについて、最高のb値シェルからの回転不変球面調和（RISH0）特徴量を抽出した。
• トラクトメトリックを用いて各線条から20か所をサンプリングし、プロファイルを連結して1名あたり400次元の特徴量ベクトルとした。
• ReLU活性化関数と平均二乗誤差損失関数を用い、再構成誤差を最小化するように、5層の完全結合層を備えた対称的ディープオートエンコーダーを訓練した。
• 検証用データセット（16名、CNV 8名、TD 8名）を保持して、平均絶対再構成誤差として異常スコアを計算した。
• ブートストラップ法を用いて50回にわたり訓練を繰り返し、ばらつきを推定し、平均異常スコアを算出し、zスコア法およびPCAベースのマハラノビス距離との性能を比較した。

実験結果

リサーチクエスチョン

• RQ1 健康対照群のみで訓練された非教師付きディープオートエンコーダーは、希少な遺伝的変異を有する1名の被験者における微細構造的異常を検出できるか？
• RQ2 トラクトメトリックベースの異常検出は、従来の単変量zスコア法および多変量PCAベースの外れ値検出と比較して、CNV被験者の同定にどの程度優れているか？
• RQ3 このフレームワークは、臨床的に関連性があり、統計的に有意な線条特異的微細構造的乖離をどの程度同定できるか？
• RQ4 小規模なサンプルサイズのためグループ比較が不可能な極めて希少な症例に対しても、このアプローチは一般化可能か？
• RQ5 オートエンコーダーの非線形モデリング能力は、線形手法と比較して、高次元dMRIデータにおける異常検出をどのように改善するか？

主な発見

• ディープオートエンコーダーは、CNV被験者を外れ値として検出するAUCが0.86 ± 0.06を達成し、単変量zスコア法（AUC：0.53 ± 0.06）およびPCAベースのマハラノビス距離（AUC：0.61 ± 0.09）を有意に上回った。
• CNV被験者の再構成特徴量は、主要な連合経路にわたり顕著な乖離を示し、複数の線条で統計的に有意な乖離（p < 0.01）が確認された。
• 一方、代表的な通常発達被験者では有意な再構成誤差は認められず、モデルの真の異常に対する感受性が裏付けられた。
• フレームワークは、事前のラベルやグループ比較を一切必要とせず、被験者固有の微細構造的乖離を効果的に同定できた。
• 50回にわたる繰り返し訓練において、トレーニングセットのばらつきに対してロバストな性能を示し、一貫性のある結果が得られた。
• 結果から、非線形的で深いオートエンコーダーは、線形手法に比べてdMRIにおける微細構造的異常の検出に適していることが示唆された。