[논문 리뷰] Diffusion MRI microstructure models with in vivo human brain Connectom data: results from a multi-group comparison

Uran Ferizi, Benoît Scherrer외 21명|arXiv (Cornell University)|2016. 04. 25.

Advanced Neuroimaging Techniques and Applications참고 문헌 31인용 수 14

한 줄 요약

이 연구는 Connectom 데이터를 이용한 생체 내 인간 뇌의 확산 MRI 미세구조 모델을 평가하며, 다양한 그룹이 참가하는 챌린지 방식을 통해 예측되지 않은 확산 가중(MRI) 신호를 예측하는 데 가장 우수한 성능을 보인 모델을 규명한다. 최상위 성능을 보인 모델들은 포브니스와 같은 복잡한 섬유 영역에서 뛰어난 일반화 능력을 보이며, 향후 모델 검증 및 개발을 위한 기준을 설정한다.

ABSTRACT

A large number of mathematical models have been proposed to describe the measured signal in diffusion-weighted (DW) magnetic resonance imaging (MRI) and infer properties about the white matter microstructure. However, a head-to-head comparison of DW-MRI models is critically missing in the field. To address this deficiency, we organized the White Matter Modeling Challenge during the International Symposium on Biomedical Imaging (ISBI) 2015 conference. This competition aimed at identifying the DW-MRI models that best predict unseen DW data. in vivo DW-MRI data was acquired on the Connectom scanner at the A.A.Martinos Center (Massachusetts General Hospital) using gradients strength of up to 300 mT/m and a broad set of diffusion times. We focused on assessing the DW signal prediction in two regions: the genu in the corpus callosum, where the fibres are relatively straight and parallel, and the fornix, where the configuration of fibres is more complex. The challenge participants had access to three-quarters of the whole dataset, and their models were ranked on their ability to predict the remaining unseen quarter of data. In this paper we provide both an overview and a more in-depth description of each evaluated model, report the challenge results, and infer trends about the model characteristics that were associated with high model ranking. This work provides a much needed benchmark for DW-MRI models. The acquired data and model details for signal prediction evaluation are provided online to encourage a larger scale assessment of diffusion models in the future.

연구 동기 및 목표

• 예측되지 않은 DW-MRI 데이터를 예측하는 데 있어 확산 MRI 미세구조 모델 간의 체계적이고 직접적인 비교가 부족한 문제를 해결하기 위해.
• Connectom 스캐너로 확보한 고기울기 강도, 고b값의 DW-MRI 데이터에서 모델 성능을 평가하기 위해.
• 두 가지 다른 백색질 영역에서의 모델 일반화 능력을 평가하기 위해: 대뇌부속의 직선적이고 평행한 섬유와 포브니스의 복잡한 곡선 섬유.
• 향후 모델 개발 및 검증을 지원하기 위해 공개 가능한 기준 데이터셋과 모델 평가 프레임워크를 제공하기 위해.

제안 방법

• ISBI 2015에서 흰질 모델링 챌린지를 조직하여 참가자들이 Connectom DW-MRI 데이터셋의 75%를 기반으로 모델을 훈련시켰다.
• 나머지 25%의 예측되지 않은 DW 데이터를 예측하는 데 있어 성능을 평가하였으며, 주로 신호 예측 정확도를 성능 지표로 사용하였다.
• 최대 300 mT/m의 기울기와 넓은 범위의 확산 시간을 포함한 생체 내 DW-MRI 데이터를 확보하였다.
• 모델 평가를 두 가지 해부학적 영역에 집중: 대뇌부속의 전두부와 포브니스로, 서로 다른 섬유 구조를 대표한다.
• 모델 특성 분석을 가능하게 하기 위해 모델 기술서와 신호 예측 결과를 상세히 제공하였다.
• 재현 가능성을 높이고 향후 벤치마킹을 지원하기 위해 전체 데이터셋과 모델 평가 프레임워크를 온라인으로 공개하였다.

실험 결과

연구 질문

• RQ1 어떤 확산 MRI 미세구조 모델이 복잡한 백색질 영역에서 예측되지 않은 DW-MRI 신호를 가장 잘 예측하는가?
• RQ2 다른 섬유 기하학적 특성을 가진 영역, 예를 들어 직선적인 전두부와 복잡한 포브니스 영역 간에 모델 성능과 일반화 능력은 어떻게 달라지는가?
• RQ3 교차 검증 설정에서 높은 예측 성능을 보이는 데 가장 강하게 관련된 모델 특성은 무엇인가?
• RQ4 고기울기 강도와 다중 확산 시간 촬영이 모델 평가 및 순위 매기기에 어떤 영향을 미치는가?

주요 결과

• 최상위 성능을 보인 모델들은 특히 섬유 방향 복잡성이 더 높은 복잡한 포브니스 영역에서 예측되지 않은 데이터에 대해 유의미하게 높은 신호 예측 정확도를 보였다.
• 다중 챔버 또는 제한된 확산을 고려한 더 정교한 미세구조 가정을 포함한 모델들은 두 영역 모두에서 단순한 모델보다 일반적으로 뛰어난 성능을 보였다.
• 이 챌린지는 모델의 일반화 능력이 고b값이나 고기울기 강도 자체보다는 복잡한 섬유 구조를 잘 포착할 수 있는 능력에 더 크게 영향을 받는다는 점을 드러냈다.
• 포브니스 영역은 항상 전두부 영역보다 더 큰 도전 과제를 제기하였으며, 이는 모델이 섬유가 교차하거나 굽어지는 경우에도 안정적인 성능을 유지할 수 있는 능력이 핵심 성능 요소임을 시사한다.