[논문 리뷰] Tractometry-based Anomaly Detection for Single-subject White Matter Analysis

Maxime Chamberland, Sila Genc외 7명|arXiv (Cornell University)|2020. 05. 22.

Advanced Neuroimaging Techniques and Applications참고 문헌 12인용 수 4

한 줄 요약

이 논문은 단일 환자 확산 MRI에서 비정상성 탐지를 위한 트랙토메트리 기반 딥 오토인코더 프레임워크를 제안한다. 건강한 대조군으로부터 정상적인 회백질 미세구조를 학습하여 희귀 복제 수량 변이를 가진 어린이의 이심을 식별한다. 이 방법은 z-점수 및 주성분분석 기반 접근법보다 뛰어난 성능을 보였으며, AUC: 0.86 대비 0.53 및 0.61로, 임상적으로 이질적이고 희귀한 경우에서 개인 맞춤형 미세구조 이상을 탐지할 수 있다.

ABSTRACT

There is an urgent need for a paradigm shift from group-wise comparisons to individual diagnosis in diffusion MRI (dMRI) to enable the analysis of rare cases and clinically-heterogeneous groups. Deep autoencoders have shown great potential to detect anomalies in neuroimaging data. We present a framework that operates on the manifold of white matter (WM) pathways to learn normative microstructural features, and discriminate those at genetic risk from controls in a paediatric population.

연구 동기 및 목표

• 확산 MRI에서 단일 환자 분석 프레임워크의 부족을 해결한다. 특히 희귀하거나 임상적으로 이질적인 경우에 대해.
• 라벨이 부여된 환자 데이터가 필요 없이 정상 패턴에서의 미세구조적 이심을 탐지함으로써 개인 맞춤 진료를 가능하게 한다.
• 체질적 의미 있는 회백질 피로의 다양체 위에서 작동함으로써, 체적 기반 정상 모델링의 한계를 극복한다.
• 건강한 대조군만을 사용하여 정상적인 미세구조적 특징을 학습하는 비지도 프레임워크를 개발하여, 향후 미지의 환자에서 이심 탐지에 활용한다.
• 그룹 수준의 비교에서 개인 맞춤 의료로의 전환을 촉진하기 위해, 환자별로 특화된 미세구조적 이상을 식별한다.

제안 방법

• 90명의 정상 발달 어린이와 8명의 복제 수량 변이(CNV) 환자로부터 고 b값 확산 MRI 데이터(b = 6000 s/mm²)를 확보하였다.
• 각 환자의 20개의 회백질 피로에서 최고의 b값 셸에서 회전 대칭성 있는 구면 조합(RISH0) 특징을 추출하였다.
• 트랙토메트리 기반으로 각 피로에서 20개의 위치를 샘플링하여 프로파일을 연결하여, 환자당 400차원의 특징 벡터를 구성하였다.
• ReLU 활성화 함수와 평균 제곱오차 손실을 사용하여 재구성 오차를 최소화하는 5개의 완전 연결층을 가진 대칭적인 딥 오토인코더를 훈련시켰다.
• 검증 세트(16명, CNV 8명, TD 8명)를 별도로 확보하여 평균 절대 재구성 오차를 이심 점수로 계산하였다.
• 부트스트래핑 데이터를 사용하여 50번 반복 훈련하여 변동성을 추정하고 평균 이심 점수를 도출하였으며, z-점수 및 주성분분석 기반 마할라노비스 거리와의 성능을 비교하였다.

실험 결과

연구 질문

• RQ1 건강한 대조군만으로 훈련된 비지도 딥 오토인코더가 희귀 유전적 변이를 가진 단일 환자에서 미세구조적 이상을 탐지할 수 있는가?
• RQ2 트랙토메트리 기반 이심 탐지 방법이 기존의 단변량 z-점수 및 다변량 주성분분석 기반 이심 탐지 방법과 비교하여 CNV 환자를 식별하는 데 얼마나 효과적인가?
• RQ3 이 프레임워크는 임상적으로 관련 있고 통계적으로 유의미한 트랙 특이적 미세구조적 이심을 어느 정도 식별할 수 있는가?
• RQ4 작은 표본 크기로 인해 그룹 비교가 불가능한 극히 희귀한 사례에 이 방법이 일반화될 수 있는가?
• RQ5 오토인코더의 비선형 모델링 능력은 선형 방법에 비해 고차원 dMRI 데이터에서 이심 탐지에 있어 성능을 향상시키는가?

주요 결과

• 딥 오토인코더는 CNV 환자를 이심으로 탐지하는 데 AUC 0.86 ± 0.06을 기록하여, 단변량 z-점수(AUC: 0.53 ± 0.06) 및 주성분분석 기반 마할라노비스 거리(AUC: 0.61 ± 0.09)보다 유의미하게 뛰어난 성능을 보였다.
• CNV 환자에서 재구성된 특징은 주요 연합 경로를 따라 심각한 차이를 보였으며, 여러 피로에서 통계적으로 유의미한 이심(p < 0.01)이 확인되었다.
• 반면, 정상적인 발달 어린이의 대표적인 환자는 유의미한 재구성 오차를 보이지 않아, 모델이 진짜 이심에 민감하게 반응함을 확인하였다.
• 이 프레임워크는 사전 레이블이나 그룹 수준의 비교 없이도 개인별로 특화된 미세구조적 이심을 성공적으로 식별하였다.
• 훈련 세트의 변동성에 대해 뛰어난 내성력을 보였으며, 50회의 반복 훈련 반복 동안 일관된 성능을 기록하였다.
• 결과적으로, 비선형적이고 깊이 있는 오토인코더는 선형 방법보다 dMRI에서 미세한 고차원의 미세구조적 이상을 탐지하는 데 더 적합하다는 것이 제안된다.