[論文レビュー] BrainSegNet : A Segmentation Network for Human Brain Fiber Tractography Data into Anatomically Meaningful Clusters

Tushar Gupta, Shreyas Malakarjun Patil+3 more|arXiv (Cornell University)|Oct 14, 2017

Advanced Neuroimaging Techniques and Applications参考文献 4被引用数 8

ひとこと要約

BrainSegNet は、ヒトの脳線条画像データを解剖学的に意味のあるクラスタに自動的にセグメンテーションするスタックド双方向LSTMに基づくディープラーニングモデルであり、マクロ（白質対灰色質）およびマイクロ（8つの白質線条）レベルで分類を実行する。3名の被験者を対象に250,000本以上の線維で訓練された本モデルは、マイクロレベル分類で95%を超える最先端の正確性を達成し、白線維の再現率も94.98%に達する。これは、困難な被験者間テスト環境下でも成立する。

ABSTRACT

The segregation of brain fiber tractography data into distinct and anatomically meaningful clusters can help to comprehend the complex brain structure and early investigation and management of various neural disorders. We propose a novel stacked bidirectional long short-term memory(LSTM) based segmentation network, (BrainSegNet) for human brain fiber tractography data classification. We perform a two-level hierarchical classification a) White vs Grey matter (Macro) and b) White matter clusters (Micro). BrainSegNet is trained over three brain tractography data having over 250,000 fibers each. Our experimental evaluation shows that our model achieves state-of-the-art results. We have performed inter as well as intra class testing over three patient's brain tractography data and achieved a high classification accuracy for both macro and micro levels both under intra as well as inter brain testing scenario.

研究の動機と目的

• ヒトの脳線条画像データを解剖学的に意味のあるクラスタに自動的にセグメンテーションし、手作業による時間のかかるラベル付けに依存するのを減らすことを目的とする。
• 個体間における解剖学的変異の高さとデータのアンバランスという課題に直面しても、脳線維を明確に分類できるようにすることを目的とする。
• 異なる脳構造に一般化できるが高精度を維持できる、耐障害性の高いディープラーニングフレームワークを構築することを目的とする。
• 神経外科学研究計画および神経変性疾患研究における臨床的有用性を向上させ、信頼性が高く再現性のある線条画像分類を可能にすることを目的とする。

提案手法

• 各線維の3次元点軌道の順序性を捉えるために、スタックド双方向LSTMネットワークを用い、空間的および方向的パターンをモデル化する。
• 階層的2段階分類を採用：まず白質対灰色質（マクロレベル）を区別し、次に白質線維を8つの解剖学的に定義された線条に分類する（マイクロレベル）。
• 線維経路間の識別を向上させるために、曲率が最も高い点の固定割合を抽出して特徴表現を強化する。
• 3名の被験者に特化したDTIデータセットを用い、1人分のデータに250,000本以上の線維を含む。被験者内、被験者間、統合された訓練・テスト戦略を組み合わせてモデルを訓練する。
• 評価指標として正確性と再現率を最適化し、特に少数クラス（白線維）の再現率を強調することで、クラスアンバランスに対処する。
• 訓練およびテストの両方で、3名の被験者にわたってバランスの取れた表現が得られるように、データシャッフルとストラティファイドサンプリングを適用する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、多様な被験者脳において、解剖学的に意味のあるクラスタに分類する高精度を達成できるか？
• RQ2 解剖学的変異や脳間の構造的差異が顕著な状況下で、被験者間テストにおいてモデルの性能はどの程度か？
• RQ3 スタックド双方向LSTMの使用が、特に希少または低頻度の線条に特化した分類性能をどの程度向上させるか？
• RQ4 エンドツーエンドの単一レベル分類と比較して、階層的マクロ・マイクロ分類アプローチは、モデルの一般化能力および解剖学的解釈可能性を向上させるか？
• RQ5 データセット内の顕著なクラスアンバランスに対処しながらも、白質線維の再現率を高い水準で維持できるか？

主な発見

• 被験者B1のデータで訓練・テストした場合、マクロレベル分類の正確性は98.88%、マイクロレベル分類の正確性は98.12%を達成した。
• 被験者間テスト（B2で訓練、B1およびB3でテスト）では、マイクロレベル分類の正確性がそれぞれ93.30%および94.47%を維持し、優れた一般化性能を示した。
• 被験者内テストにおいて、白線維の再現率は94.98%に達し、パテルら（2016年）が報告した先行研究の82.1%を大幅に上回った。
• 統合された訓練・テスト戦略では、マイクロレベル分類の正確性が96.65%、白線維の再現率が83.46%に達し、多様な脳解剖構造にわたる高い耐障害性を示した。
• すべてのテスト戦略においてモデルの性能は安定しており、マイクロレベル分類の正確性は常に93%以上、最も困難な被験者間シナリオでも再現率は80%以上を維持した。
• これらの結果は、BrainSegNet が、特にデータアンバランスおよび被験者間条件下において、既存手法を上回る正確性と再現率を達成しており、新たな最先端のベンチマークを確立していることを示している。