[논문 리뷰] A Review on MR Based Human Brain Parcellation Methods

Pantea Moghimi, Anh The Dang외 3명|arXiv (Cornell University)|2021. 07. 07.

Advanced MRI Techniques and Applications참고 문헌 199인용 수 4

한 줄 요약

이 논문은 자기공명영상(MRI) 기반 인간 뇌 분할 방법에 대한 종합적인 리뷰를 제공하며, 해부학적(T1-가중 MRI), 기능적(fMRI), 구조적(확산성 가중 영상) 분할으로 분류한다. 문헌을 체계화하기 위해 다수준 분류 체계를 도입하고, 방법론적 강점과 약점을 비교하며, 다양한 모odalities 간에 강력하고 표준화된 뇌 분할을 개발하는 데 있어 핵심 과제를 규명한다.

ABSTRACT

Brain parcellations play a ubiquitous role in the analysis of magnetic resonance imaging (MRI) datasets. Over 100 years of research has been conducted in pursuit of an ideal brain parcellation. Different methods have been developed and studied for constructing brain parcellations using different imaging modalities. More recently, several data-driven parcellation methods have been adopted from data mining, machine learning, and statistics communities. With contributions from different scientific fields, there is a rich body of literature that needs to be examined to appreciate the breadth of existing research and the gaps that need to be investigated. In this work, we review the large body of in vivo brain parcellation research spanning different neuroimaging modalities and methods. A key contribution of this work is a semantic organization of this large body of work into different taxonomies, making it easy to understand the breadth and depth of the brain parcellation literature. Specifically, we categorized the existing parcellations into three groups: Anatomical parcellations, functional parcellations, and structural parcellations which are constructed using T1-weighted MRI, functional MRI (fMRI), and diffusion-weighted imaging (DWI) datasets, respectively. We provide a multi-level taxonomy of different methods studied in each of these categories, compare their relative strengths and weaknesses, and highlight the challenges currently faced for the development of brain parcellations.

연구 동기 및 목표

• MRI 모odalities를 활용한 생체 내 뇌 분할에 관한 광범위한 연구를 통합하고 체계화하는 것.
• 영상 모odalities에 기반해 기존 뇌 분할 방법을 해부학적, 기능적, 구조적 유형으로 분류하는 것.
• 데이터 기반, 기계학습, 통계 기반 분할 기법 간의 관계와 차이를 명확히 하는 다수준 분류 체계를 개발하는 것.
• 다양한 신경영상 모dalities 간에 서로 다른 분할 방법의 상대적 강점과 한계를 비교하는 것.
• 보편적으로 수용되는 뇌 분할 프레임워크 개발을 방해하는 주요 과제들과 현재 연구 격차를 규명하는 것.

제안 방법

• 저자는 생체 내 MRI 기반 방법을 중심으로 100여 년이 넘는 뇌 분할 연구에 대한 체계적 리뷰를 수행하였다.
• 분할 방법을 해부학적(T1-가중 MRI), 기능적(fMRI), 구조적(확산성 가중 영상)으로 나누어 분류하였다.
• 클러스터링, 앤트라스 기반, 기계학습 접근법 등의 기초 원리에 따라 각 범주 내 방법을 체계화하기 위해 다수준 분류 체계를 개발하였다.
• 신경과학, 데이터 마이닝, 기계학습, 통계 분야의 기여를 통합하여 다학제적 시각을 제공하였다.
• 재현성, 생물학적 타당성, 기술적 견고성 기준으로 각 방법 범주별 강점과 약점을 평가하였다.
• 연구 간 방법론적 일관성 부족과 표준화된 벤치마크의 부재를 강조하였다.

실험 결과

연구 질문

• RQ1 지난 100년 동안 다양한 MRI 모달리티 간에 뇌 분할 방법은 어떻게 진화해 왔는가?
• RQ2 해부학적, 기능적, 구조적 분할 접근법 간의 주요 방법론적 차이는 무엇인가?
• RQ3 기계학습 및 통계 기반의 데이터 기반 기법은 전통적인 앤트라스 기반 방법에 비해 성능과 해석 가능성 측면에서 어떻게 비교되는가?
• RQ4 보편적으로 수용되는 뇌 분할 프레임워크 개발을 저해하는 주요 과제는 무엇인가?
• RQ5 재현성, 검증, 표준화 측면에서 현재 문헌에서 남아 있는 연구 격차는 무엇인가?

주요 결과

• 리뷰는 해부학적, 기능적, 구조적 모달리티 간에 상당한 방법론적 다양성을 보이는 100여 년이 넘는 뇌 분할 연구를 규명하였다.
• T1-가중 MRI 기반 해부학적 분할은 널리 사용되지만, 종종 기능적 또는 연결성 기반 검증이 부족하다.
• fMRI에서 유도된 기능적 분할은 기능 네트워크와 강한 상관관계를 보이지만, 전처리 과정과 혈관성 반응 변동성에 민감하다.
• 확산성 가중 영상(DWI)를 활용한 구조적 분할은 연결성 기반 분할을 제공하지만, 복잡한 트래크토그래피가 필요하고 계산적으로 부담스럽다.
• 다양한 발전에도 불구하고 최적의 분할 체계에 대한 합의가 없으며, 방법론적 이질성으로 인해 연구 간 비교가 어려운 상황이다.
• 저자는 표준화된 벤치마크, 검증 프레임워크, 오픈 액세스 리포지터리의 필수성을 강조하며, 연구의 재현성과 통합성을 향상시키기 위한 필요성을 제기한다.