[论文解读] Improved reproducibility of diffusion kurtosis imaging using regularized non-linear optimization informed by artificial neural networks

Leevi Kerkelä, Kiran Seunarine+3 more|arXiv (Cornell University)|Mar 14, 2022

Advanced Neuroimaging Techniques and Applications被引用 4

一句话总结

本文提出了一种新颖的正则化非线性优化框架，用于扩散峰度成像（DKI），利用人工神经网络从高质量dMRI数据中预测峰度度量（MK、AK、RK），并将其用于正则化拟合过程。该方法显著提升了可重复性和鲁棒性，特别是在径向扩散率较低的白质纤维束中，实现了与临床扫描-重扫描数据中扩散张量成像（DTI）相当的DKI参数可重复性。

ABSTRACT

Diffusion kurtosis imaging is an extension of diffusion tensor imaging that provides scientifically and clinically valuable information about brain tissue microstructure but suffers from poor robustness to noise, especially in voxels containing tightly packed aligned axons. We present a new algorithm for estimating diffusion and kurtosis tensors using regularized non-linear optimization and make it publicly available in an easy-to-use open-source Python software package. Our approach uses fully-connected feed-forward neural networks to predict kurtosis values in voxels where the standard non-linear least squares fit fails. The predicted values are then used in the objective function to avoid implausible kurtosis values. We show that our algorithm is more robust than standard non-linear least squares and a previously proposed regularized non-linear optimization method. The algorithm was then applied on a multi-site scan-rescan dataset acquired using a clinical scan protocol to assess the reproducibility of diffusion kurtosis parameter estimation in human white matter using the proposed algorithm. Our results show that the reproducibility of diffusion kurtosis parameters is similar to diffusion tensor parameters.

研究动机与目标

• 为解决标准非线性最小二乘法（NLLS）在DKI中的差的鲁棒性，特别是在轴突紧密排列的体素中峰度值变得不合理（例如负值）的问题。
• 通过减少噪声引起的参数估计不稳定性，提升临床环境中DKI参数的可重复性。
• 开发一种可泛化、开源的软件解决方案，以在无需真实值数据的情况下提升DKI的可靠性。
• 探究使用神经网络预测的MK、AK和RK进行正则化是否能优于仅正则化MK的现有方法。
• 在采用标准临床协议的多中心、扫描-重扫描数据集上验证该方法。

提出的方法

• 训练全连接前馈神经网络，从扩散加权成像（dMRI）数据中预测体素内的平均峰度（MK）、轴向峰度（AK）和径向峰度（RK），这些体素中标准NLLS仅产生非负峰度值。
• 将神经网络预测结果用作非线性最小二乘目标函数中的正则化项，在优化过程中惩罚与预测值的偏差。
• 采用Broyden-Fletcher-Goldfarb-Shanno（BFGS）算法求解结合数据保真度和正则化的混合目标的正则化非线性优化问题。
• 从高质量dMRI扫描中构建训练数据集，其中NLLS产生有效（非负）峰度值，假设该子集捕捉了多样的微结构条件。
• 将该方法集成到一个开源Python包中（可在 https://github.com/kerkelae/dkmri 获取），以实现实验的可重复性和在研究社区中的可访问性。
• 使用超参数α来平衡数据拟合与正则化的影响，该参数需根据每种扫描协议进行调优。

实验结果

研究问题

• RQ1 与标准NLLS和先前的正则化方法相比，神经网络预测的峰度度量是否能提升DKI参数估计的鲁棒性？
• RQ2 与仅正则化MK相比，使用MK、AK和RK预测进行正则化是否能在径向扩散率较低的区域产生更合理的峰度张量估计？
• RQ3 所提出的方法在多中心、扫描-重扫描临床dMRI协议中，能在多大程度上提升DKI参数的可重复性？
• RQ4 在相同采集条件下，使用新方法估计的DKI参数的可重复性与DTI参数相比如何？
• RQ5 该方法是否具有跨不同临床采集协议的泛化能力？其对数据质量和超参数选择的敏感性如何？

主要发现

• 与标准NLLS和仅使用MK预测的先前正则化方法相比，所提出方法显著减少了出现不合理负峰度值的体素数量。
• 在多中心扫描-重扫描数据集中，DKI参数的可重复性（以变异系数衡量）在主要白质纤维束中与DTI参数相当。
• 在训练数据上，MK、AK和RK的预测精度较高，表明与标准NLLS相比引入的偏差较小。
• 该算法在挑战性区域（如胼胝体压部和膝部）表现出更高的稳定性，这些区域的径向扩散率较低，而标准NLLS常出现失败。
• 开源软件包促进了该方法在神经影像学社区中的广泛应用和进一步的方法学发展。
• 该方法对初始参数值和超参数α仍敏感，需根据每种采集协议进行调优，以实现最佳性能。