[논문 리뷰] Resolving orientation-specific diffusion-relaxation features via Monte-Carlo density-peak clustering in heterogeneous brain tissue

Alexis Reymbaut, J. P. Almeida de Martins외 4명|arXiv (Cornell University)|2020. 04. 18.

Advanced Neuroimaging Techniques and Applications인용 수 8

한 줄 요약

이 논문은 텐서 값의 확산 인코딩, 몬테카를로 신호 역행, 밀도 기반 군집화를 조합한 새로운 방법인 몬테카를로 밀도점 군집화(MC-DPC)를 제안한다. 이는 이질적인 뇌 조직에서 미세한 섬유 방향과 그에 연관된 확산-이완 특성을 해상도보다 더 높은 수준에서 해소할 수 있도록 한다. MC-DPC는 방향에 따라 특화된 확산도와 이완 속도를 정확히 포착하여, 복잡한 교차 섬유 영역에서도 높은 일관성으로 안정적인 미세구조 특성 분석이 가능하다.

ABSTRACT

Characterizing the properties and orientations of sub-voxel fiber populations, although essential to study white-matter architecture, microstructure and connectivity, remains one of the main challenges faced by the MRI microstructure community. While some progress has been made in overcoming this challenge using models, signal representations and tractography algorithms, these approaches are ultimately limited by their key assumptions or by the lack of specificity of the diffusion signal alone. In order to alleviate these limitations, we combine diffusion-relaxation MR acquisitions incorporating tensor-valued diffusion encoding, Monte-Carlo signal inversions that extract non-parametric intra-voxel distributions of diffusion tensors and relaxation rates, and density-based clustering techniques. This new approach, called "Monte-Carlo density-peak clustering" (MC-DPC), first delineates clusters in the diffusion-orientation subspace of the fiber-like diffusion-relaxation components output by Monte-Carlo signal inversions and then draws from the statistical aspect of these inversion algorithms to compute the median and interquartile range of orientation-resolved means of diffusivities and relaxation rates. Evaluating MC-DPC on tensor-valued diffusion-encoded and T2-weighted correlated datasets in silico and in vivo, we demonstrate its ability to simultaneously capture sub-voxel fiber orientations and cones of uncertainty, and measure fiber-specific diffusion-relaxation properties that are consistent with the known anatomy and existing literature. Straightforwardly translatable to other diffusion-relaxation correlation experiments probing $T_1$ and $T_2^*$, MC-DPC shows potential in tracking bundle-specific patient-control group differences and longitudinal microstructural changes, enabling new tools for microstructure-informed tractography, and mapping tract-specific myelination states.

연구 동기 및 목표

• 다양한 미세구조적 특성을 지닌 다중 미세한 섬유 집단을 해상도보다 더 높은 수준에서 분리하는 데에 어려움을 겪는 확산 MRI의 한계를 극복하기 위해.
• 비모수적 프레임워크 내에서 방향 정보 외에도 이완 속도와 확산도를 통합함으로써 기존의 방향 정보 중심 측정을 넘어서 특이성을 향상시키기 위해.
• 노이즈가 많고 복잡한 확산-이완 데이터에서 섬유 특성에 맞는 특징을 식별할 수 있는 강력한 군집화 방법을 개발하기 위해.
• 실시간 및 시뮬레이션 환경에서 확산도와 이완 속도 분포의 정확한 방향 해상도 추정을 가능하게 하기 위해.
• 임상 및 연구 응용 분야에서 미세구조 기반 트락토그래피와 myelination 변화의 종단적 추적을 지원하기 위해.

제안 방법

• 내부 화소의 미세구조적 특성에 민감한 텐서 값의 확산 인코딩을 활용하여 b-텐서의 크기, 형태, 방향을 캡처한다.
• 5차원의 확산-이완 공간에서 확산 텐서와 이완 속도의 비모수적 베이지안 사후 분포를 생성하기 위해 몬테카를로 신호 역행을 적용한다.
• 역행 분포의 방향 부분공간에서 군집을 식별하기 위해 밀도점 군집화(DPC)를 적용하며, 지역 밀도와 군집 중심까지의 거리를 사용한다.
• 부트스트랩 솔루션에서 유도된 방향 해상도 확산도 및 이완 속도 추정치의 중앙값과 사분위율 범위를 계산하여 불확실성과 중심 경향성을 정량화한다.
• 다양한 노이즈 실현값을 기반으로 부트스트랩 샘플링을 통합하여 강건성과 통계적 신뢰도를 향상시킨다.
• T2-가중치가 붙은 이미징과 텐서 값의 확산 인코딩을 사용하여 획득한 인간 뇌의 실시간 데이터와 함께 시뮬레이션을 통해 방법을 검증한다.

실험 결과

연구 질문

• RQ1 MC-DPC는 복잡한 회백질 영역에서 방향과 미세구조적 특성이 뚜렷한 다수의 미세한 섬유 집단을 신뢰성 있게 식별할 수 있는가?
• RQ2 시뮬레이션 데이터에서 참값과 비교할 때 MC-DPC는 방향 해상도 확산도 및 이완 속도 분포를 얼마나 정확하게 추정하는가?
• RQ3 낮은에서 중간 수준의 신호 대 잡음비(SNR)에서 MC-DPC는 정확성과 정밀도를 유지하는가?
• RQ4 실시간 인간 뇌 데이터에서 MC-DPC는 알려진 신경해부학에 부합하는 섬유 특화된 미세구조적 특징을 탐지할 수 있는가?
• RQ5 기존의 ODF 기반 방법과 비교할 때 MC-DPC는 섬유 방향 해상도와 미세구조 매개변수 추정에서 어떤 성능을 보이는가?

주요 결과

• MC-DPC는 시뮬레이션 및 실시간 데이터에서 모두 알려진 해부학적 구조와 높은 일관성을 유지하면서, 미세한 섬유 방향과 그에 연관된 확산 및 이완 특성을 성공적으로 해소한다.
• SNR = 90일 때, 다수의 섬유 성분에서 각도 편차가 10° 이하로 유지되어 방향 추정의 높은 정밀도를 입증한다.
• 노이즈가 존재하는 상황에서도 시뮬레이션 데이터에서 중앙값 확산도와 이완 속도 값이 참값의 10% 이내로 정확히 복원된다.
• MC-DPC는 특히 높은 SNR에서 방향 해상도 미세구조 매개변수의 진짜 불확실성을 반영하는 신뢰할 수 있는 사분위율 범위 추정치를 제공한다.
• MC-DPC를 통해 계산된 확산도와 이완 속도의 방향 해상도 평균값은 기존의 확립된 모델과 문헌에서 예상되는 값과 강한 일치를 보인다.
• 특히 다수의 가까이 붙어 있는 섬유 집단이 존재하는 영역에서, ODF 기반 피크 탐지 방법보다 MC-DPC가 더 뛰어난 성능을 보이며 복잡한 섬유 구성 해상도를 향상시킨다.