[논문 리뷰] Deconvolution of High-Dimensional Mixtures via Boosting, with Application to Diffusion-Weighted MRI of Human Brain

Charles Zheng, Franco Pestilli외 1명|PubMed|2014. 09. 25.

Advanced Neuroimaging Techniques and Applications참고 문헌 15인용 수 4

한 줄 요약

이 논문은 고차원 혼합 신호를 이산화하지 않고 탈혼합화할 수 있는 부스팅 기반 알고리즘인 엘라스틱 베이시스 퍼스위트(Elastic Basis Pursuit, EBP)를 제안한다. 이는 확산 강도 영상(DWI)에서 섬유 방향 분포 함수(fODFs)를 정확하게 추정할 수 있도록 한다. EBP는 이산화된 기저 추적 기반 기법과 비음수 최소제곱법(Non-negative Least Squares, NNLS), 그리고 확산 텐서 영상(DTI)에 비해 더 흐린(fewer) 해를 얻고, 교차 섬유 영역에서 편향-분산 트레이드오프를 더 잘 제어함으로써 fODF 추정 성능을 향상시킨다.

ABSTRACT

Diffusion-weighted magnetic resonance imaging (DWI) and fiber tractography are the only methods to measure the structure of the white matter in the living human brain. The diffusion signal has been modelled as the combined contribution from many individual fascicles of nerve fibers passing through each location in the white matter. Typically, this is done via <i>basis pursuit</i>, but estimation of the exact directions is limited due to discretization [1, 2]. The difficulties inherent in modeling DWI data are shared by many other problems involving fitting non-parametric mixture models. Ekanadaham et al. [3] proposed an approach, <i>continuous basis pursuit</i>, to overcome discretization error in the 1-dimensional case (e.g., spike-sorting). Here, we propose a more general algorithm that fits mixture models of any dimensionality without discretization. Our algorithm uses the principles of L2-boost [4], together with refitting of the weights and pruning of the parameters. The addition of these steps to L2-boost both accelerates the algorithm and assures its accuracy. We refer to the resulting algorithm as <i>elastic basis pursuit</i>, or EBP, since it expands and contracts the active set of kernels as needed. We show that in contrast to existing approaches to fitting mixtures, our boosting framework (1) enables the selection of the optimal bias-variance tradeoff along the solution path, and (2) scales with high-dimensional problems. In simulations of DWI, we find that EBP yields better parameter estimates than a non-negative least squares (NNLS) approach, or the standard model used in DWI, the tensor model, which serves as the basis for diffusion tensor imaging (DTI) [5]. We demonstrate the utility of the method in DWI data acquired in parts of the brain containing crossings of multiple fascicles of nerve fibers.

연구 동기 및 목표

• 확산 강도 영상(DWI)에서 고차원 혼합을 모델링할 때 이산화된 기저 추적 기반 기법과 비음수 최소제곱법(Non-negative Least Squares, NNLS)의 한계를 해결하기 위해.
• 섬유 방향 분포 함수(fODFs) 추정 시 이산화 오차를 피하는 비모수적 방법을 개발하기 위해.
• 최적의 편향-분산 트레이드오프를 확보하면서 다차원 혼합 모델에 대해 정확하고 확장 가능한 피팅을 가능하게 하기 위해.
• 복잡한 교차 섬유 구성에서 진짜 fODFs를 복원하는 데서 본 방법의 우수성을 입증하기 위해.

제안 방법

• EBP는 L2-부스팅과 반복적인 가중치 재최적화 및 매개변수의 제거를 결합하여 커널의 활성 집합을 동적으로 확장하고 수축시킨다.
• 알고리즘은 각 반복 단계에서 현재 활성 커널 집합을 기반으로 모든 가중치를 재최적화하는 완전 보정(backfitting) 단계를 사용한다.
• 해결책을 정규화하기 위해 볼록 페널티 함수를 사용하며, 총 체적 제약 조건을 강제하기 위해 특수한 형태인 $ \lambda P(w) = \lambda(c - \|w\|_1)^2 $ 를 적용한다.
• 잔차와 후보 커널 함수 간의 상관관계를 최대화함으로써 커널을 적응적으로 선택한다.
• 진짜 fODF와의 지구 이동 거리(EMD)를 최소화하는 방식으로 편향-분산 트레이드오프 선택 메커니즘을 구현한다.
• 고정된 반복 횟수 보장을 통해 전역 최적해에 수렴하도록 설계되어 있어 강건성과 확장성 보장.

실험 결과

연구 질문

• RQ1 이산화된 매개변수 격자에 의존하지 않고 부스팅 기반 프레임워크가 DWI에서 fODF 추정 정확도를 향상시킬 수 있는가?
• RQ2 다중 교차 섬유 영역에서 EBP는 NNLS 및 DTI에 비해 진짜 섬유 방향을 얼마나 잘 복원하는가?
• RQ3 기존 방법에 비해 EBP는 고차원 혼합 모델링에서 더 나은 편향-분산 트레이드오프 제어를 달성할 수 있는가?
• RQ4 EBP는 이산화로 인한 흐림 현상으로 악화되는 NNLS에 비해 더 흐린(fewer)이고 정확한 fODF 추정을 수행하는가?
• RQ5 진짜 지표가 알려지지 않은 실제 DWI 데이터에 대해 예측 오차를 대체 지표로 사용하여 EBP를 실용적으로 적용할 수 있는가?

주요 결과

• 실제 DWI 데이터에서 대뇌백질과 중심반달영역(centrum semiovale)에서 EBP는 DTI 및 NNLS에 비해 유의미하게 낮은 예측 오차(RMSE)를 기록했다.
• 세 개의 교차 섬유를 포함한 시뮬레이션에서 EBP는 진짜 피크 방향에 가중치가 집중된 더 흐린(fewer) 해를 생성했고, 이는 NNLS가 이산화로 인해 많은 방향으로 가중치를 퍼뜨리는 것과 대조된다.
• EBP가 추정한 fODF는 진짜 fODF와의 지구 이동 거리(EMD)가 DTI 및 NNLS보다 낮아, 더 뛰어난 구조적 유사도를 보였다.
• 알고리즘은 고정된 반복 횟수 보장을 통해 전역 최적해에 수렴하여 비凸 최적화에서 흔히 발생하는 국소 최적해를 피했다.
• 교차 검증을 통해 모델 복잡도와 예측 정확도를 균형 잡는 최적의 정규화 매개변수 $ c $ 를 식별했으며, 일반화 성능 향상에 기여했다.
• EBP의 내부 상태 분석 결과, EMD와 MSE의 최소값이 동일한 지점에서 발생함을 확인하여 효과적인 편향-분산 트레이드오프 선택이 이루어졌음을 입증했다.