[논문 리뷰] Filtering in tractography using autoencoders (FINTA)

Jon Haitz Legarreta, Laurent Petit외 5명|arXiv (Cornell University)|2020. 10. 07.

Advanced Neuroimaging Techniques and Applications인용 수 3

한 줄 요약

FINTA는 레이블이 없는 트랙토그램에서 비지도 딥러닝 프레임워크를 제안하며, 오토에인코더를 사용해 유의미한 스트림라인 표현을 학습함으로써 해부학적으로 불가능한 스트림라인을 정확하게 걸러내는 데 성공한다. 이 방법은 타당한지 불타당한지의 구분에서 90% 이상의 정확도를 달성하며, RecoBundles와 같은 최첨단 기법들을 능가하며 다양한 추적 방법과 부분 트랙토그램에 일반화된다.

ABSTRACT

Current brain white matter fiber tracking techniques show a number of problems, including: generating large proportions of streamlines that do not accurately describe the underlying anatomy; extracting streamlines that are not supported by the underlying diffusion signal; and under-representing some fiber populations, among others. In this paper, we describe a novel autoencoder-based learning method to filter streamlines from diffusion MRI tractography, and hence, to obtain more reliable tractograms. Our method, dubbed FINTA (Filtering in Tractography using Autoencoders) uses raw, unlabeled tractograms to train the autoencoder, and to learn a robust representation of brain streamlines. Such an embedding is then used to filter undesired streamline samples using a nearest neighbor algorithm. Our experiments on both synthetic and in vivo human brain diffusion MRI tractography data obtain accuracy scores exceeding the 90\% threshold on the test set. Results reveal that FINTA has a superior filtering performance compared to conventional, anatomy-based methods, and the RecoBundles state-of-the-art method. Additionally, we demonstrate that FINTA can be applied to partial tractograms without requiring changes to the framework. We also show that the proposed method generalizes well across different tracking methods and datasets, and shortens significantly the computation time for large (>1 M streamlines) tractograms. Together, this work brings forward a new deep learning framework in tractography based on autoencoders, which offers a flexible and powerful method for white matter filtering and bundling that could enhance tractometry and connectivity analyses.

연구 동기 및 목표

• 확산 MRI 트랙토그래피에서 해부학적으로 불타당한 스트림라인이 높은 비율로 생성되는 지속적인 과제를 해결하기 위해.
• 레이블이 있는 학습 데이터나 사전 해부학 지식에 의존하지 않는 데이터 기반의 비지도 필터링 방법을 개발하기 위해.
• 거짓 양성 연결과 부정확한 스트림라인을 제거함으로써 트랙토메트리 및 커넥톰 분석의 신뢰성을 향상시키기 위해.
• 재학습 없이도 다양한 추적 알고리즘과 부분 트랙토그램에 적용 가능한 일반화 가능한 효율적인 프레임워크를 만들기 위해.
• 100만 개 이상의 스트림라인을 포함한 대규모 트랙토그램에 대해 빠르고 확장 가능한 필터링을 가능하게 하며 생물학적으로 의미 있는 신경섬유 군집을 유지하기 위해.

제안 방법

• 메서드는 원시적이고 레이블이 없는 트랙토그램에서 스트림라인의 저차원이고 분리된 표현을 학습하기 위해 3D 컨volutional 오토에인코더를 사용한다.
• 에코더는 각 스트림라인을 구조적이고 기하학적 특징을 반영한 압축된 임베딩 벡터로 매핑한다.
• 근접 이웃 알고리즘을 사용해 학습된 임베딩을 바탕으로 스트림라인을 '타당한'과 '불타당한'으로 분류한다.
• 필터링 임계값은 소량의 스트림라인을 레이블링하여 결정되며, 재학습 없이도 새로운 트랙토그램에 적용 가능하다.
• 학습된 임베딩을 사용해 스트림라인 간의 거리 정의를 재정의함으로써, 단지 타당/불타당한 분류를 넘어서 다양한 필터링 작업에의도적으로 적용할 수 있다.
• 오토에인코더는 다양한 출처의 트랙토그램에서 엔드 투 엔드로 훈련되어 데이터셋과 추적 방법 간의 일반화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 비지도 오토에인코더는 해부학적 타당성을 반영하는 강력하고 분리된 뇌 스트림라인 표현을 학습할 수 있는가?
• RQ2 그러한 학습된 표현은 레이블 데이터나 사전 해부학 제약 없이도 불타당한 스트림라인을 정확히 필터링하는 데 기여할 수 있는가?
• RQ3 FINTA의 필터링 성능는 기존의 해부학 기반 방법들과 RecoBundles와 같은 최첨단 기법들과 비교해 어떻게 되는가?
• RQ4 FINTA는 다양한 추적 알고리즘, 부분 트랙토그램, 데이터셋 간에 얼마나 잘 일반화되는가?
• RQ5 대규모 트랙토그램 처리에 있어 계산 시간을 크게 줄일 수 있으며 생물학적으로 의미 있는 신경섬유 군집을 유지하는가?

주요 결과

• FINTA는 합성 데이터와 인 Vivo 인간 뇌 데이터에서 타당한지 불타당한지의 분류 테스트 세트 정확도가 90%를 초과하였다.
• 이 방법은 기존의 해부학 기반 필터링 기법과 RecoBundles 최첨단 기법 모두를 성능 면에서 능가하였다.
• 재학습이나 아키텍처 변경 없이도 다양한 추적 방법과 데이터셋 간에 효과적으로 일반화되었다.
• 부분 트랙토그램에 대한 필터링에 성공하여 불완전하거나 흐린 스트림라인 분포에 대한 강건성을 입증하였다.
• 대규모 트랙토그램(>100만 개 스트림라인)에 대해 계산 시간을 크게 줄여 확장 가능한 처리를 가능하게 하였다.
• 복잡한 영역, 예를 들어 대측편측편의 주요 백질 뭉치를 유지하였지만, 특히 callosal BIL&GIN 데이터셋과 같은 희박한 섬유 군집 영역에서는 성능가 약간 저하되었다.