[论文解读] Estimation of Tissue Microstructure Using a Deep Network Inspired by a Sparse Reconstruction Framework

Chuyang Ye|arXiv (Cornell University)|Apr 5, 2017

Advanced Neuroimaging Techniques and Applications参考文献 12被引用 11

一句话总结

本文提出MEDN，一种受稀疏重建启发的深度学习框架，旨在加速并提升扩散MRI中NODDI微结构估计的性能。通过将问题建模为基于字典的稀疏恢复任务，并联合训练两个级联网络阶段，MEDN仅使用60个扩散梯度即实现了比AMICO和MLP更高的精度，显著降低了细胞内体积分数、脑脊液分数和方向分散度的估计误差。

ABSTRACT

Diffusion magnetic resonance imaging (dMRI) provides a unique tool for noninvasively probing the microstructure of the neuronal tissue. The NODDI model has been a popular approach to the estimation of tissue microstructure in many neuroscience studies. It represents the diffusion signals with three types of diffusion in tissue: intra-cellular, extra-cellular, and cerebrospinal fluid compartments. However, the original NODDI method uses a computationally expensive procedure to fit the model and could require a large number of diffusion gradients for accurate microstructure estimation, which may be impractical for clinical use. Therefore, efforts have been devoted to efficient and accurate NODDI microstructure estimation with a reduced number of diffusion gradients. In this work, we propose a deep network based approach to the NODDI microstructure estimation, which is named Microstructure Estimation using a Deep Network (MEDN). Motivated by the AMICO algorithm which accelerates the computation of NODDI parameters, we formulate the microstructure estimation problem in a dictionary-based framework. The proposed network comprises two cascaded stages. The first stage resembles the solution to a dictionary-based sparse reconstruction problem and the second stage computes the final microstructure using the output of the first stage. The weights in the two stages are jointly learned from training data, which is obtained from training dMRI scans with diffusion gradients that densely sample the q-space. The proposed method was applied to brain dMRI scans, where two shells each with 30 gradient directions (60 diffusion gradients in total) were used. Estimation accuracy with respect to the gold standard was measured and the results demonstrate that MEDN outperforms the competing algorithms.

研究动机与目标

• 为解决传统NODDI拟合中计算成本高且需要大量扩散梯度的问题，这些限制了其在临床中的应用。
• 通过利用深度学习，在仅使用60个扩散梯度的前提下，提升微结构估计的精度。
• 设计一种受AMICO算法基于字典的稀疏重建框架启发的深度神经网络架构。
• 通过在两个级联阶段中联合学习网络权重，实现微结构参数预测的端到端优化。
• 在保持高精度的同时，实现临床可行的dMRI扫描方案，准确估计关键NODDI参数：细胞内体积分数、脑脊液体积分数和方向分散度。

提出的方法

• 该方法采用两阶段深度神经网络：第一阶段模拟类似迭代硬阈值的迭代稀疏重建过程，求解基于字典的正则化最小二乘问题。
• 第二阶段对第一阶段的输出进行归一化和加权，以预测最终的NODDI参数，包括经过变换后的脑脊液体积分数、细胞内体积分数和方向分散度。
• 通过最小化三个微结构参数的均方误差之和的损失函数，联合训练网络权重。
• 训练数据来自q空间密集采样的dMRI扫描，其中真实微结构参数通过AMICO算法计算得出。
• 网络按每种成像协议分别训练，且网络架构设计在保持AMICO框架可解释性的同时提升了性能。
• 第一阶段使用带有可学习参数λ的阈值化ReLU激活函数，网络结构受展开迭代优化算法的启发。

实验结果

研究问题

• RQ1 在密集采样的q空间数据上训练的深度学习模型，能否仅使用60个扩散梯度准确估计NODDI微结构参数？
• RQ2 受稀疏重建启发的两阶段深度网络架构，是否在微结构估计精度上优于标准深度学习和传统AMICO方法？
• RQ3 在阶段间联合优化网络权重，是否能提升细胞内体积分数、脑脊液体积分数和方向分散度的估计性能？
• RQ4 所提出的MEDN框架是否对噪声具有鲁棒性，并能生成比AMICO和MLP更平滑、更准确的参数图？
• RQ5 该网络能否在真实临床扫描方案中实现良好泛化能力，同时保持高精度，如在人类连接组计划数据中所验证的那样？

主要发现

• 与AMICO和MLP相比，MEDN显著降低了估计误差，细胞内体积分数（v_ic）的平均误差降低了9%。
• MEDN在脑脊液体积分数（v_iso）上的平均误差降低了20%，表明在估计细胞外和脑脊液区室方面具有更优的精度。
• 与表现第二好的方法（MLP）相比，MEDN在方向分散度（OD）上的平均误差降低了7%，显示出对纤维方向复杂度估计的改进。
• 视觉对比显示，MEDN生成的v_ic和OD图更平滑，且在前扣带胼胝体等具有复杂纤维结构的区域更具解剖学合理性。
• 配对t检验证实，MEDN在全部五个测试受试者中的表现均显著优于AMICO和MLP（p < 0.001）。
• 结果验证了两阶段网络架构的联合学习策略，能够在临床可行的扫描方案下显著提升微结构估计的精度。