[논문 리뷰] Improved reproducibility of diffusion kurtosis imaging using regularized non-linear optimization informed by artificial neural networks

Leevi Kerkelä, Kiran Seunarine외 3명|arXiv (Cornell University)|2022. 03. 14.

Advanced Neuroimaging Techniques and Applications인용 수 4

한 줄 요약

이 논문은 고품질 dMRI 데이터로부터 인공신경망을 사용해 쿠르토시스 지표(MK, AK, RK)를 예측하고, 이를 정규화 항으로 사용하여 피팅 과정을 정규화하는 새로운 정규화된 비선형 최적화 프레임워크를 제안한다. 이 방법은 특히 낮은 방사형 확산도를 가지는 회백질 피질에서 재현성과 강인성을 크게 향상시켜 임상적 스캔-재스캔 데이터에서 DTI 수준의 DKI 매개변수 재현성을 달성한다.

ABSTRACT

Diffusion kurtosis imaging is an extension of diffusion tensor imaging that provides scientifically and clinically valuable information about brain tissue microstructure but suffers from poor robustness to noise, especially in voxels containing tightly packed aligned axons. We present a new algorithm for estimating diffusion and kurtosis tensors using regularized non-linear optimization and make it publicly available in an easy-to-use open-source Python software package. Our approach uses fully-connected feed-forward neural networks to predict kurtosis values in voxels where the standard non-linear least squares fit fails. The predicted values are then used in the objective function to avoid implausible kurtosis values. We show that our algorithm is more robust than standard non-linear least squares and a previously proposed regularized non-linear optimization method. The algorithm was then applied on a multi-site scan-rescan dataset acquired using a clinical scan protocol to assess the reproducibility of diffusion kurtosis parameter estimation in human white matter using the proposed algorithm. Our results show that the reproducibility of diffusion kurtosis parameters is similar to diffusion tensor parameters.

연구 동기 및 목표

• 표준 비선형 최소제곱(NLLS) 방법이 축축한 축이 밀집된 영역에서 쿠르토시스 값이 부적절해지는(예: 음수) 경우의 낮은 강인성 문제를 해결하기 위해.
• 노이즈 유도 불안정성으로 인한 매개변수 추정의 안정성을 감소시켜 임상 환경에서 DKI 매개변수의 재현성을 향상시키기 위해.
• 기본 진실 데이터가 필요 없이도 DKI 신뢰성을 향상시킬 수 있는 일반화 가능하고 오픈소스 소프트웨어 솔루션을 개발하기 위해.
• MK, AK, RK 예측값을 사용한 정규화가 기존의 MK만 정규화하는 방법보다 더 우수한 성능을 보일 수 있는지 조사하기 위해.
• 표준 임상 프로토콜을 사용한 다기관 스캔-재스캔 데이터셋을 통해 방법을 검증하기 위해.

제안 방법

• 표준 NLLS가 비음수 쿠르토시스 값을 산출한 영역에서, 완전히 연결된 피드포워드 신경망을 훈련시켜 평균 쿠르토시스(MK), 축 방향 쿠르토시스(AK), 방사형 쿠르토시스(RK)를 dMRI 데이터로부터 예측하였다.
• 신경망 예측값을 비선형 최소제곱 목적 함수의 정규화 항으로 사용하여 최적화 과정에서 예측값에서의 이탈을 처벌하도록 하였다.
• 데이터 적합성과 정규화를 조합한 하이브리드 목적 함수를 해결하기 위해 Broyden-Fletcher-Goldfarb-Shanno(BFGS) 알고리즘을 적용하였다.
• NLLS가 유효한(비음수) 쿠르토시스 값을 산출한 고품질 dMRI 스캔에서 구성된 훈련 데이터셋을 구축하였으며, 이 하위집합이 다양한 미세구조 조건을 반영한다고 가정하였다.
• 연구 공동체에서 재현 가능하고 접근 가능한 사용을 위해 오픈소스 파이썬 패키지(https://github.com/kerkelae/dkmri)에 방법을 통합하였다.
• 데이터 적합성과 정규화의 영향을 균형 잡기 위해 하이퍼파rameter α를 사용하였으며, 이는 각 스캔 프로토콜에 맞게 조정되어야 한다.

실험 결과

연구 질문

• RQ1 신경망 예측 쿠르토시스 지표가 표준 NLLS 및 이전 정규화 방법보다 DKI 매개변수 추정의 강인성을 향상시키는가?
• RQ2 MK 예측뿐만 아니라 AK 및 RK 예측을 사용한 정규화가 낮은 방사형 확산도 영역에서 더 현실적인 쿠르토시스 텐서 추정을 가능하게 하는가?
• RQ3 제안된 방법이 다기관 스캔-재스캔 임상 dMRI 프로토콜에서 DKI 매개변수의 재현성을 어느 정도 향상시키는가?
• RQ4 유사한 스캔 조건에서 제안된 방법으로 추정한 DKI 매개변수의 재현성은 DTI 매개변수의 재현성과 비교해 어떻게 되는가?
• RQ5 이 방법은 다양한 임상 스캔 프로토콜에 일반화 가능한가? 데이터 품질과 하이퍼파rameter 선택에 얼마나 민감한가?

주요 결과

• 제안된 방법은 표준 NLLS 및 기존의 MK 예측값만 사용한 정규화 방법보다 부적절한 음수 쿠르토시스 값이 포함된 영역의 수를 크게 감소시켰다.
• 다기관 스캔-재스캔 데이터셋에서 주요 회백질 피질에서 DKI 매개변수의 재현성(변동계수로 측정)이 DTI 매개변수 수준과 유사하게 확보되었다.
• 훈련 데이터에서 MK, AK, RK에 대해 높은 예측 정확도를 달성하여 표준 NLLS에 비해 최소한의 편향이 유입된 것으로 나타났다.
• 낮은 방사형 확산도로 인해 표준 NLLS가 종종 실패하는 스플레니움 및 코르푸스 칼로수스의 전두부와 같은 어려운 영역에서도 알고리즘이 개선된 안정성을 보였다.
• 오픈소스 소프트웨어 패키지는 신경영상 공동체에서 광범위한 채택과 향후 방법론적 발전을 가능하게 한다.
• 이 방법은 초기 매개변수 값과 하이퍼파rameter α에 민감하며, 최적 성능을 달성하기 위해 각 스캔 프로토콜에 맞게 조정되어야 한다.