[논문 리뷰] Fiber Tract Shape Measures Inform Prediction of Non-Imaging Phenotypes

Wan Liu, Yuqian Chen외 6명|arXiv (Cornell University)|2023. 03. 16.

Advanced Neuroimaging Techniques and Applications인용 수 5

한 줄 요약

이 연구는 확산 MRI 트랙토그래피를 통해 유도된 섬유경로 형상 특징(길이, 지름, 타원도)을 도입하여 영상이 아닌 표현형(인지 및 인구통계학적 특성 등)을 예측하는 데 개선을 도모한다. 기존의 미세구조 및 연결성 특징과 함께 이 형상 측정치를 이중 단계 융합 전략을 통해 통합함으로써 저자들은 특히 NIH 도구 상자 그림 어휘 테스트(TPVT) 점수 예측에서 뚜렷한 성능 향상을 입증하였으며, 형상이 뇌영상 생물학적 지표로서 가치가 있음을 시사한다.

ABSTRACT

Neuroimaging measures of the brain's white matter connections can enable the prediction of non-imaging phenotypes, such as demographic and cognitive measures. Existing works have investigated traditional microstructure and connectivity measures from diffusion MRI tractography, without considering the shape of the connections reconstructed by tractography. In this paper, we investigate the potential of fiber tract shape features for predicting non-imaging phenotypes, both individually and in combination with traditional features. We focus on three basic shape features: length, diameter, and elongation. Two different prediction methods are used, including a traditional regression method and a deep-learning-based prediction method. Experiments use an efficient two-stage fusion strategy for prediction using microstructure, connectivity, and shape measures. To reduce predictive bias due to brain size, normalized shape features are also investigated. Experimental results on the Human Connectome Project (HCP) young adult dataset (n=1065) demonstrate that individual shape features are predictive of non-imaging phenotypes. When combined with microstructure and connectivity features, shape features significantly improve performance for predicting the cognitive score TPVT (NIH Toolbox picture vocabulary test). Overall, this study demonstrates that the shape of fiber tracts contains useful information for the description and study of the living human brain using machine learning.

연구 동기 및 목표

• 섬유경로 형상 특징(길이, 지름, 타원도)이 인지 및 인구통계학적 특성과 같은 영상이 아닌 표현형을 예측할 수 있는지 조사하기 위해.
• 확산 MRI에서 기존의 미세구조 및 연결성 측정치와 함께 형상 특징의 예측 능력을 개별적으로 및 조합적으로 평가하기 위해.
• 형상, 미세구조, 연결성 특징을 융합하여 향상된 예측 성능을 달성하기 위한 이중 단계 융합 전략을 개발하고 적용하기 위해.
• 뇌 크기 정규화가 형상 기반 모델에서 예측 편향을 줄이는 데 미치는 영향을 평가하기 위해.

제안 방법

• 인간 연결망 프로젝트(HCP) 데이터셋의 트랙토그래피 결과에서 섬유경로 형상 특징(길이, 지름, 타원도)을 추출하였다.
• 두 가지 다른 예측 방법을 적용: 전통적 회귀 모델과 딥러닝 기반 접근법.
• 형상 특징을 미세구조 및 연결성 특징과 융합하여 예측 성능을 향상시키기 위해 이중 단계 융합 전략을 구현하였다.
• 개별 뇌 크기의 차이로 인한 편향을 줄이기 위해 형상 특징을 정규화하였다.
• HCP 청소년 성인 데이터셋(n=1065)을 사용하여 다양한 영상이 아닌 표현형에 대해 학습 및 평가를 수행하였다.
• 표준 회귀 평가 지표를 사용하여 모델 성능을 평가하였으며, 특히 TPVT 인지 테스트 점수에 중점을 두었다.

실험 결과

연구 질문

• RQ1 섬유경로 형상 특징(길이, 지름, 타원도)은 인지 및 인구통계학적 특성과 같은 영상이 아닌 표현형을 독립적으로 예측할 수 있는가?
• RQ2 기존의 미세구조 및 연결성 특징과 조합되었을 때 형상 특징은 확산 MRI에서 예측 성능을 향상시키는가?
• RQ3 형상 특징의 정규화는 뇌 크기와 관련된 예측 편향에 어떤 영향을 미치는가?
• RQ4 인지 결과 예측에서 형상 특징은 미세구조 및 연결성 특징에 비해 상대적으로 어떤 기여를 하는가?
• RQ5 이중 단계 융합 전략은 다중 모odal 뇌영상 특징을 효과적으로 융합하여 표현형 예측 성능을 향상시키는가?

주요 결과

• 개별 형상 특징—특히 길이와 타원도—는 인지 점수를 포함한 영상이 아닌 표현형에 대해 뚜렷한 예측 능력을 보였다.
• 미세구조 및 연결성 특징와 조합되었을 때 형상 측정치는 NIH 도구 상자 그림 어휘 테스트(TPVT) 점수 예측에서 통계적으로 유의미한 향상을 이끌어냈다.
• 이중 단계 융합 전략은 형상, 미세구조, 연결성 특징 간 상보적인 정보를 효과적으로 활용하여 총괄적인 예측 정확도를 향상시켰다.
• 정규화된 형상 특징은 뇌 크기와 관련된 예측 편향을 감소시켜 개인 간 모델의 강건성을 향상시켰다.
• 딥러닝 기반 방법은 일부 경우에서 전통적 회귀 모델을 능가했으며, 특히 형상 특징을 통합했을 때 두드러졌다.
• 이 연구는 섬유경로 형상가 인간 뇌-행동 관계 모델링에 의미 있는 비중복 정보를 담고 있음을 확인한다.