[논문 리뷰] Tractogram filtering of anatomically non-plausible fibers with geometric deep learning

Pietro Astolfi, Ruben Verhagen외 5명|arXiv (Cornell University)|2020. 03. 24.

Advanced Neuroimaging Techniques and ApplicationsMedicine참고 문헌 25인용 수 18

한 줄 요약

이 논문은 각 스트림라인을 점군으로 간주하고 局소 기하학적 관계를 활용함으로써 해부학적으로 비합리적인 섬유를 트랙토그램에서 필터링하기 위해 수정된 동적 에지 컨볼루션(sDEC) 모델을 사용하는 기하학적 딥러닝 접근법을 제안한다. 이 방법은 비합리적인 섬유와 합리적인 섬유를 구분하는 데 95% 이상의 정확도를 달성하며, GPU에서 100만 개의 섬유를 포함하는 트랙토그램에 대한 추론 시간이 50초 이내로, 곡률 및 길이 변화에 대한 저항력 면에서 기준 모델들을 능가한다.

ABSTRACT

Tractograms are virtual representations of the white matter fibers of the brain. They are of primary interest for tasks like presurgical planning, and investigation of neuroplasticity or brain disorders. Each tractogram is composed of millions of fibers encoded as 3D polylines. Unfortunately, a large portion of those fibers are not anatomically plausible and can be considered artifacts of the tracking algorithms. Common methods for tractogram filtering are based on signal reconstruction, a principled approach, but unable to consider the knowledge of brain anatomy. In this work, we address the problem of tractogram filtering as a supervised learning problem by exploiting the ground truth annotations obtained with a recent heuristic method, which labels fibers as either anatomically plausible or non-plausible according to well-established anatomical properties. The intuitive idea is to model a fiber as a point cloud and the goal is to investigate whether and how a geometric deep learning model might capture its anatomical properties. Our contribution is an extension of the Dynamic Edge Convolution model that exploits the sequential relations of points in a fiber and discriminates with high accuracy plausible/non-plausible fibers.

연구 동기 및 목표

• 확산 MRI 섬유 추적 기반으로 생성된 트랙토그램 내에서 지속적인 문제로 남아 있는 예외적이고 해부학적으로 비합리적인 섬유를 해결하기 위해.
• 기하학적 딥러닝 모델이 스트림라인의 점군 표현으로부터 해부학적 합리성을 효과적으로 학습할 수 있는지 탐색하기 위해.
• 기존의 신호 복원 및 순차 모델보다 빠르고 정확하며 일반화 능력이 뛰어난 필터링 방법을 개발하기 위해.
• 스트림라인의 길이와 곡률이 분류 성능 및 모델의 저항력에 미치는 영향을 조사하기 위해.

제안 방법

• 모델은 각 스트림라인을 3차원 점군으로 간주하고, 점들 간의 국소 기하학적 관계를 포착하기 위해 수정된 동적 에지 컨볼루션(sDEC) 모델을 활용한다.
• sDEC 모델은 순열 불변성과 순서에 대한 저항성을 갖추어, 스트림라인 내 점의 순서에 관계없이 성능을 유지하도록 설계되었다.
• 지침 기반 히우리스틱 방법(ExTractor)이 학습을 위한 지도 레이블을 제공하며, 섬유를 해부학적으로 합리적(P) 또는 비합리적(nP)으로 분류한다.
• 이러한 레이블을 사용하여 지도 학습 방식으로 모델을 훈련시키며, 다양한 피험자 대상 정확도, 정밀도, 재현율 및 F1 점수를 통해 성능을 평가한다.
• 모델의 유연성과 정확도 향상을 평가하기 위해 이중 방향 LSTM(bLSTM) 및 표준 PointNet(PN) 모델과의 비교를 수행한다.
• 이 방법은 BrainLife 앱으로 배포되었으며, 재현 가능성을 위해 코드와 20개의 레이블링된 트랙토그램 데이터셋을 포함해 오픈소스로 공개되었다.

실험 결과

연구 질문

• RQ1 기하학적 딥러닝 모델은 스트림라인의 3차원 점군 표현으로부터 해부학적 합리성을 효과적으로 학습할 수 있는가?
• RQ2 sDEC의 성능은 다양한 스트림라인 길이와 곡률에서 비합리적인 섬유를 필터링하는 데 bLSTM 및 PointNet과 비교해 어떻게 나타나는가?
• RQ3 점 순서 및 기하학적 구조에 대한 저항력이 높아지면 분류 정확도는 어느 정도 향상되는가?
• RQ4 다양한 스트림라인 형태에서 잠재적 오진과 빠진 오류 분포는 어떻게 달라지는가?

주요 결과

• sDEC 모델은 해부학적으로 합리적과 비합리적인 섬유를 구분하는 데 평균 정확도가 95% 이상을 달성하며, 피험자 간 표준편차가 낮다.
• 모델은 NVIDIA Titan Xp GPU에서 약 100만 개의 스트림라인을 포함하는 전체 트랙토그램을 46.2초 이내에 필터링한다.
• sDEC는 특히 긴 길이와 높은 곡률을 가진 스트림라인 처리에서 bLSTM 및 PointNet을 능가하며, PN 대비 거짓 양성 오류를 40% 감소시킨다.
• 오류 분석 결과, PN은 긴 길이와 곡률이 높은 스트림라인을 합리적이라고 잘못 분류하는 경향이 있어 더 높은 거짓 양성 비율을 보였다.
• 모델는 ExTractor 히우리스틱 방법으로부터 노이즈가 있거나 일관되지 않은 지도 레이블이 존재하더라도 강력한 일반화 능력을 유지하며 정확도를 유지한다.
• sDEC 모델이 점들 간의 국소 기하학적 엣지를 모델링할 수 있는 능력은 복잡한 곡선 경로에서 경쟁적 우위를 제공한다.