[논문 리뷰] Generative diffeomorphic atlas construction from brain and spinal cord MRI data

Claudia Blaiotta, Patrick Freund외 2명|arXiv (Cornell University)|2017. 07. 05.

Medical Image Segmentation Techniques참고 문헌 29인용 수 6

한 줄 요약

이 논문은 뇌와 체성말초신경계(MRI 데이터를 동시에 모델링하기 위해 베이지안 접근법을 사용하는 계층적 생성형 디페오모픽 아틀라스 프레임워크를 제안한다. 이는 전체 중추신경계에서 동시에 분할 및 정렬을 가능하게 하며, 신호 강도 및 형태 변동성을 가우시안 혼합 모델과 디페오모픽 변환을 통해 통합함으로써 신경퇴행성 및 외상성 상태에서의 형태측정 분석을 크게 향상시킨다. 이 방법은 신호 강도 및 형태 변동성을 통합함으로써 인구 집단 특화된 아틀라스 구축을 가능하게 하여 강력하고 자동화된, 그리고 인구 집단에 맞는 아틀라스 구축을 실현한다.

ABSTRACT

In this paper we will focus on the potential and on the challenges associated with the development of an integrated brain and spinal cord modelling framework for processing MR neuroimaging data. The aim of the work is to explore how a hierarchical generative model of imaging data, which captures simultaneously the distribution of signal intensities and the variability of anatomical shapes across a large population of subjects, can serve to quantitatively investigate, in vivo, the morphology of the central nervous system (CNS). In fact, the generality of the proposed Bayesian approach, which extends the hierarchical structure of the segmentation method implemented in the SPM software, allows processing simultaneously information relative to different compartments of the CNS, namely the brain and the spinal cord, without having to resort to organ specific solutions (e.g. tools optimised only for the brain, or only for the spinal cord), which are inevitably harder to integrate and generalise.

연구 동기 및 목표

• 뇌와 체성말초신경계 MRI 데이터의 통합 분석을 위한 통합 모델링 프레임워크를 개발함으로써 기관 특화 도구의 한계를 극복한다.
• 신호 강도 분포와 해부학적 형태 변동성을 모델링하여 중추신경계 전역에서 동시 분할 및 정렬 문제를 해결한다.
• 재현 가능하고 확장 가능하며 일반화 가능한 아틀라스 구축 방법을 개발하여 신경퇴행성 및 외상성 중추신경계 질환에 적용 가능하도록 한다.
• 단일이고 일관된 해부학적 공간을 사용하여 중추신경계 형태의 정량적 생체 내 연구를 가능하게 한다.

제안 방법

• 이 방법은 SPM의 분할 프레임워크를 확장하여 뇌와 체성말초신경계 데이터를 동시에 모델링하는 계층적 베이지안 생성 모델을 사용한다.
• 관측된 데이터(MRI 강도)가 숨겨진 해부학적 상태에 조건부로 의존하는 잠재 변수를 포함한 가우시안 혼합 모델을 사용한다.
• 디페오모픽 변환을 적용하여 피험자 간 형태 변동성을 모델링함으로써 부드럽고 가역적이며 생물학적으로 타당한 공간 정규화를 보장한다.
• 모수의 평균 및 공분산에 대해 공액 가우시안-위샤르트 사전을 도입하여 변분 추론 프레임워크 내에서 해석적 사후 업데이트를 가능하게 한다.
• 반복적인 기대값-최대화 알고리즘을 통해 소속 확률, 은닉 상태 및 모델 매개변수를 번갈아가며 업데이트함으로써 사후 추론을 수행한다.
• 모델의 충분통계량을 사후 기대값에서 계산하여 가우시안-위샤르트 사후분포를 업데이트함으로써 조직 확률 지apapap 및 변형장의 강력한 추정을 가능하게 한다.

실험 결과

연구 질문

• RQ1 단일 생성 모델이 인구 집단 전반에서 뇌와 체성말초신경계의 전체 영역에서 신호 강도 및 해부학적 형태의 공동 변동성을 효과적으로 포괄할 수 있는가?
• RQ2 통합 프레임워크를 통해 뇌와 체성말초신경계 데이터를 통합함으로써 기관 특화 접근법 대비 분할 및 정렬 정확도가 얼마나 향상되는가?
• RQ3 복잡한 형태 및 강도 변동성이 존재하는 상황에서, 디페오모픽 아틀라스 구축 방법이 위상 일관성과 해부학적 타당성을 얼마나 잘 유지할 수 있는가?
• RQ4 잠재 변수를 포함한 계층적 베이지안 모델을 사용함으로써 신경영상 데이터의 누락 데이터 및 불확실성 모델링에서 성능 향상은 어느 정도인가?

주요 결과

• 제안된 프레임워크는 단일이고 일관된 해부학적 공간을 사용하여 뇌와 체성말초신경계 MRI 데이터의 완전 자동화된 동시 분할 및 정렬을 가능하게 한다.
• 신호 강도 및 형태 변동성을 통합된 생성 모델 내에서 모델링함으로써 강력하고 재현 가능한 분석이 가능해진다.
• 디페오모픽 변환의 사용은 피험자 간에 부드럽고 가역적이며 생물학적으로 타당한 공간 정규화를 보장한다.
• 가우시안 혼합 모델링과 변분 추론 접근법을 통해 수동 레이블링이 제한된 상황에서도 조직 확률 지도 및 변형장의 정확한 추정이 가능하다.
• 이 프레임워크는 인구 집단 특화 아틀라스 구축을 지원하여 신경퇴행성 및 외상성 중추신경계 상태에서 형태측정 변화에 대한 민감도를 향상시킨다.
• 공통된 모델 구조를 통해 뇌와 체성말초신경계 데이터를 통합함으로써 별도의 기관 특화 도구의 필요성을 줄여 일반화 가능성과 일관성을 향상시킨다.