[논문 리뷰] Tract orientation mapping for bundle-specific tractography

Jakob Wasserthal, Peter Neher외 1명|arXiv (Cornell University)|2018. 06. 14.

Advanced Neuroimaging Techniques and Applications참고 문헌 8인용 수 7

한 줄 요약

이 논문은 fODF 피크에서 주요 백질 피질을 나타내는 방향성 지도를 회귀함으로써 번들별 트랙토그래피 사전 지식을 학습하는 딥러닝 기반의 Tract Orientation Mapping (TOM)을 소개한다. 2D 인코더-디코더 FCNN를 사용하여, 전체 뇌 트랙토그래피나 앤트라스 레지지스트레이션 없이도 고정밀도, 고속(1인당 2분 이내), 해부학적으로 일관된 트랙토그래피를 달성하며, 딱지 점수, 각도 오차, 런타임 측면에서 최신 기술들을 능가한다.

ABSTRACT

While the major white matter tracts are of great interest to numerous studies in neuroscience and medicine, their manual dissection in larger cohorts from diffusion MRI tractograms is time-consuming, requires expert knowledge and is hard to reproduce. Tract orientation mapping (TOM) is a novel concept that facilitates bundle-specific tractography based on a learned mapping from the original fiber orientation distribution function (fODF) peaks to a list of tract orientation maps (also abbr. TOM). Each TOM represents one of the known tracts with each voxel containing no more than one orientation vector. TOMs can act as a prior or even as direct input for tractography. We use an encoder-decoder fully-convolutional neural network architecture to learn the required mapping. In comparison to previous concepts for the reconstruction of specific bundles, the presented one avoids various cumbersome processing steps like whole brain tractography, atlas registration or clustering. We compare it to four state of the art bundle recognition methods on 20 different bundles in a total of 105 subjects from the Human Connectome Project. Results are anatomically convincing even for difficult tracts, while reaching low angular errors, unprecedented runtimes and top accuracy values (Dice). Our code and our data are openly available.

연구 동기 및 목표

• 확산 MRI에서 백질 피질의 수동적이고 시간이 많이 소요되며 재현성이 떨어지는 분할 문제를 해결하기 위해.
• 전체 뇌 트랙토그래피, 앤트라스 레지지스트레이션, 클러스터링에 의존하지 않고 직접 번들별 방향성 사전 지식을 학습함으로써 이를 제거하기 위해.
• fODF 피크에서 번들별 방향성 지도(TOM)로 매핑하는 딥러닝 프레임워크를 개발하여, 트랙토그래피의 사전 지식이나 직접 입력으로 사용하기 위해.
• 번들별 트랙토그래피의 정확도, 런타임, 해부학적 타당성 측면에서 새로운 기준을 설정하기 위해.

제안 방법

• 3D fODF 피크 영상(9개 입력 채널)을 20개의 번들별 방향성 지도(60개 출력 채널)로 매핑하기 위해, 인코더-디코더 아키텍처와 스킵 커넥션을 갖춘 완전 컨volution 신경망(FCNN)을 사용한다.
• 메모리 사용량을 줄이기 위해 y축을 따라 2D 슬라이스를 사용하면서도 공간 해상도를 유지하며, 제약된 구형 탈리화(CSD)에서 유도된 입력 fODF 피크를 사용한다.
• 배경 픽셀과 번들 픽셀 간의 클래스 불균형을 다루기 위해, 가중치가 부여된 코사인 유사도와 l2-노름의 평균 제곱오차를 조합한 맞춤형 손실 함수를 사용한다.
• 반드시 수동으로 생성된 기준 트랙트를 기반으로 105명의 HCP 환자에서 학습하며, 학습률 0.001과 Adamax 최적화를 사용한다.
• TOM 출력은 트랙토그래피의 사전 지식으로 사용되거나 직접 방향장으로 사용되어 번들별 스트림라인 추적을 가능하게 한다.
• 앤트라스 레지지스트레이션, 클러스터링, 전체 뇌 트랙토그래피를 회피함으로써 파이프라인을 단순화한다.

실험 결과

연구 질문

• RQ1 전체 뇌 트랙토그래피 없이 fODF 피크에서 직접 번들별 방향성 지도를 학습할 수 있는 딥러닝 모델이 정확한 결과를 낼 수 있는가?
• RQ2 20개 주요 백질 피질에 대해 TOM은 딱지 점수, 각도 오차, 런타임 측면에서 최신 기술들과 비교해 어떻게 성능을 내는가?
• RQ3 복잡하고 겹치는 피질들에 대해서도 TOM은 해부학적으로 일관되고 완전한 번들을 생성할 수 있는가?
• RQ4 fODF 피크만을 사용하는 것과 비교해 TOM을 사전 지식이나 직접 입력으로 사용할 경우 트랙토그래피 정확도가 향상되는가?

주요 결과

• TOM은 모든 20개 번들에서 가장 높은 딱지 점수를 기록했으며, RecoBundles, TractQuerier, WMA, 앤트라스 레지지스트레이션보다 정량적 평가에서 승리했다.
• 낮은 각도 오차를 기록했으며, 예측된 TOM 피크가 원래 fODF 피크보다 기준 피크와의 각도 편차가 더 적었다.
• TOM은 1인당 2분 이내로 번들 재구성을 완료하여, 두 번째로 빠른 방법(앤트라스 레지지스트레이션, 약 11분)보다 5배 이상 빠르게 작동했다.
• TOM 기반 트랙토그래피는 거짓 양성 없이 공간적으로 일관되고 완전한 번들을 생성했으며, 결정론적 트랙토그램에서 RecoBundles는 측면 CPT의 중요한 부분을 놓쳤다.
• 직접 TOM 트랙토그래피가 TOM 피크 선택보다 더 매끄럽고 정확한 결과를 내었으며, 낮은 각도 오차와 일치했다.
• 아크류트 패시큘러스와 체계성 경로 등 도전적인 피질들에 대해서도 낮은 거짓 양성 수준으로 높은 강인성을 보였다.