[论文解读] Double Diffusion Encoding Prevents Degeneracy in Parameter Estimation of Biophysical Models in Diffusion MRI

Santiago Coelho, José M. Pozo+3 more|arXiv (Cornell University)|Sep 13, 2018

Advanced Neuroimaging Techniques and Applications参考文献 49被引用 29

一句话总结

本文证明，双扩散编码（DDE）通过提供单扩散编码（SDE）无法获取的补充信息，解决了扩散MRI中NODDIDA生物物理模型参数估计的病态性问题。作者通过理论分析证明DDE使参数估计具有单射性，并通过仿真实验表明，DDE在完整5维参数空间中显著降低了偏差和均方误差，实现了更精确、可靠的微结构量化，且无需使用高b值。

ABSTRACT

Purpose: Biophysical tissue models are increasingly used in the interpretation of diffusion MRI (dMRI) data, with the potential to provide specific biomarkers of brain microstructural changes. However, the general Standard Model has recently shown that model parameter estimation from dMRI data is ill-posed unless very strong magnetic gradients are used. We analyse this issue for the Neurite Orientation Dispersion and Density Imaging with Diffusivity Assessment (NODDIDA) model and demonstrate that its extension from Single Diffusion Encoding (SDE) to Double Diffusion Encoding (DDE) solves the ill-posedness and increases the accuracy of the parameter estimation. Methods: We analyse theoretically the cumulant expansion up to fourth order in b of SDE and DDE signals. Additionally, we perform in silico experiments to compare SDE and DDE capabilities under similar noise conditions. Results: We prove analytically that DDE provides invariant information non-accessible from SDE, which makes the NODDIDA parameter estimation injective. The in silico experiments show that DDE reduces the bias and mean square error of the estimation along the whole feasible region of 5D model parameter space. Conclusions: DDE adds additional information for estimating the model parameters, unexplored by SDE, which is enough to solve the degeneracy in the NODDIDA model parameter estimation.

研究动机与目标

• 解决扩散MRI中生物物理模型参数估计的病态性问题，特别是NODDIDA模型中的退化问题。
• 探究双扩散编码（DDE）是否提供超越单扩散编码（SDE）的信息。
• 证明DDE可实现NODDIDA模型的单射（唯一）参数估计。
• 在真实噪声条件下，评估DDE相较于SDE在估计准确性和精度方面的提升。
• 证明无需使用高b值即可解决退化问题，为现有方法提供更具实用性的替代方案。

提出的方法

• 对SDE和DDE信号的四阶b展开进行累积量展开的理论分析，以识别不变信息的差异。
• 利用沃森分布描述神经元取向弥散，推导DDE信号响应与NODDIDA模型参数（f, f_e, D_parallel, D_perp, κ）之间的方程组。
• 对方程组进行解析求逆，证明DDE可唯一确定取向弥散参数κ，从而消除SDE中存在的退化问题。
• 通过受控噪声的仿真数据，对比SDE与DDE在5维参数空间中的偏差和均方误差（MSE），开展仿真实验。
• 采用包含四个任意扩散编码方向的优化DDE方案，评估性能提升效果。
• 通过DDE信号方程的线性组合推导出κ的唯一解，验证理论结果，消除对非唯一参数的依赖。

实验结果

研究问题

• RQ1 DDE是否能提供SDE无法获取的信息，从而解决生物物理模型参数估计中的退化问题？
• RQ2 在使用DDE时，NODDIDA模型的参数估计问题是否具有单射性？若成立，其条件是什么？
• RQ3 在真实噪声水平下，DDE与SDE在参数估计的偏差和均方误差方面有何差异？
• RQ4 DDE是否能消除对高b值的需求，以实现NODDIDA模型的适定估计？
• RQ5 DDE在NODDIDA模型整个可行5维参数空间中，估计准确性的提升是否具有普适性？

主要发现

• DDE提供了SDE无法获取的不变信息，使NODDIDA参数估计具有单射性，从而消除了模型固有的退化问题。
• 理论分析证明，DDE通过消除对非唯一参数集的依赖，唯一确定了取向弥散参数κ。
• 仿真实验表明，与SDE相比，DDE在完整5维参数空间中均显著降低了偏差和均方误差（MSE）。
• DDE的最大估计误差出现在κ → 0时，表明高度弥散组织（如灰质）可能需要更多测量以实现准确估计。
• DDE在无需高b值的情况下实现了更高的估计准确性，为高b值SDE方法提供了更具实用性和鲁棒性的替代方案。
• 该方法具有普适性，无需对扩散系数值施加强假设，适用于无约束的标准模型（SM）应用。