[论文解读] Fiber Tract Shape Measures Inform Prediction of Non-Imaging Phenotypes

Wan Liu, Yuqian Chen+6 more|arXiv (Cornell University)|Mar 16, 2023

Advanced Neuroimaging Techniques and Applications被引用 5

一句话总结

本研究从扩散磁共振成像纤维束追踪中提取纤维束形状特征——长度、直径和伸长率，以改善对非影像表型（如认知和人口统计学特征）的预测。通过采用两阶段融合策略，将这些形状测量值与传统的微结构和连接性特征相结合，作者展示了显著的性能提升，尤其是在预测NIH工具箱图片词汇测验（TPVT）分数方面，凸显了形状作为有价值的神经影像生物标志物的潜力。

ABSTRACT

Neuroimaging measures of the brain's white matter connections can enable the prediction of non-imaging phenotypes, such as demographic and cognitive measures. Existing works have investigated traditional microstructure and connectivity measures from diffusion MRI tractography, without considering the shape of the connections reconstructed by tractography. In this paper, we investigate the potential of fiber tract shape features for predicting non-imaging phenotypes, both individually and in combination with traditional features. We focus on three basic shape features: length, diameter, and elongation. Two different prediction methods are used, including a traditional regression method and a deep-learning-based prediction method. Experiments use an efficient two-stage fusion strategy for prediction using microstructure, connectivity, and shape measures. To reduce predictive bias due to brain size, normalized shape features are also investigated. Experimental results on the Human Connectome Project (HCP) young adult dataset (n=1065) demonstrate that individual shape features are predictive of non-imaging phenotypes. When combined with microstructure and connectivity features, shape features significantly improve performance for predicting the cognitive score TPVT (NIH Toolbox picture vocabulary test). Overall, this study demonstrates that the shape of fiber tracts contains useful information for the description and study of the living human brain using machine learning.

研究动机与目标

• 探究纤维束形状特征（长度、直径和伸长率）是否能够预测非影像表型，如认知和人口统计学特征。
• 评估形状特征单独以及与扩散MRI中已确立的微结构和连接性测量值组合时的预测能力。
• 开发并应用一种两阶段融合策略，整合形状、微结构和连接性特征，以提升预测性能。
• 评估脑容量标准化对减少基于形状模型中与脑大小相关的预测偏差的影响。

提出的方法

• 从人类连接组计划（HCP）数据集的纤维束追踪结果中提取纤维束形状特征（长度、直径、伸长率）。
• 应用两种不同的预测方法：传统回归模型和基于深度学习的方法。
• 实施两阶段融合策略，将形状特征与微结构和连接性特征结合，以提升预测性能。
• 对形状特征进行归一化，以减轻个体脑容量差异带来的偏差。
• 使用HCP年轻成人数据集（n=1065）在多个非影像表型上进行训练和评估。
• 使用标准回归指标评估模型性能，重点关注TPVT认知测试得分。

实验结果

研究问题

• RQ1 纤维束形状特征能否独立预测非影像表型（如认知和人口统计学特征）？
• RQ2 当形状特征与扩散MRI中的传统微结构和连接性特征结合时，是否能提升预测性能？
• RQ3 形状特征的归一化如何影响与脑大小相关的预测偏差？
• RQ4 与微结构和连接性特征相比，形状特征在预测认知结果中的相对贡献如何？
• RQ5 两阶段融合策略是否能有效整合多模态神经影像特征，以提升表型预测效果？

主要发现

• 单独的形状特征（尤其是长度和伸长率）对非影像表型（包括认知评分）具有显著的预测能力。
• 当与微结构和连接性特征结合时，形状测量值在预测NIH工具箱图片词汇测验（TPVT）分数方面实现了统计上显著的性能提升。
• 两阶段融合策略有效利用了形状、微结构和连接性特征之间的互补信息，提升了整体预测准确性。
• 经过归一化的形状特征减少了与脑大小相关的预测偏差，增强了模型在个体间的鲁棒性。
• 在某些情况下，基于深度学习的方法优于传统回归模型，尤其是在整合形状特征时。
• 本研究证实，纤维束形状包含对建模人类脑-行为关系具有意义且非冗余的信息。