[论文解读] Motion Correction and Volumetric Reconstruction for Fetal Functional Magnetic Resonance Imaging Data

Daniel Sobotka, Michael Ebner+9 more|arXiv (Cornell University)|Feb 11, 2022

Fetal and Pediatric Neurological Disorders参考文献 63被引用 18

一句话总结

本文提出了一种用于胎儿fMRI的新型运动校正与体素重建框架，通过使用异常值鲁棒的参考体积估计和Huber L2正则化，提升了功能连接的准确性。通过减少运动引起的伪影和信号异常值，该方法增强了结果的可重复性与信号可解释性，将20至25周妊娠期的异常时间点比例从18.6%降低至9.16%。

ABSTRACT

Motion correction is an essential preprocessing step in functional Magnetic Resonance Imaging (fMRI) of the fetal brain with the aim to remove artifacts caused by fetal movement and maternal breathing and consequently to suppress erroneous signal correlations. Current motion correction approaches for fetal fMRI choose a single 3D volume from a specific acquisition timepoint with least motion artefacts as reference volume, and perform interpolation for the reconstruction of the motion corrected time series. The results can suffer, if no low-motion frame is available, and if reconstruction does not exploit any assumptions about the continuity of the fMRI signal. Here, we propose a novel framework, which estimates a high-resolution reference volume by using outlier-robust motion correction, and by utilizing Huber L2 regularization for intra-stack volumetric reconstruction of the motion-corrected fetal brain fMRI. We performed an extensive parameter study to investigate the effectiveness of motion estimation and present in this work benchmark metrics to quantify the effect of motion correction and regularised volumetric reconstruction approaches on functional connectivity computations. We demonstrate the proposed framework's ability to improve functional connectivity estimates, reproducibility and signal interpretability, which is clinically highly desirable for the establishment of prognostic noninvasive imaging biomarkers. The motion correction and volumetric reconstruction framework is made available as an open-source package of NiftyMIC.

研究动机与目标

• 解决由胎儿运动和母体呼吸引起的胎儿fMRI中运动伪影的挑战。
• 通过最小化由运动引起的虚假相关性，改善功能连接性估计。
• 开发一种鲁棒、开源的运动校正与体素重建流程，以保持信号质量。
• 实现临床挑战性胎儿fMRI数据中更可靠、可重复的功能连接性分析。
• 通过校正运动而非剔除受损时间点，减少因运动剔除导致的数据损失。

提出的方法

• 提出一个三部分框架：(1) 使用S2V运动校正构建异常值鲁棒的高分辨率参考体积。
• 对时间点间各切片应用刚性切片级运动校正以实现对齐。
• 采用Huber L2正则化进行堆栈内体素重建，以保持信号连续性。
• 开展参数研究，比较TK1 L2、TV L2与Huber L2正则化，以确定最优参数。
• 使用强度、异常值和基于连接性的度量评估信号质量和功能连接性。
• 利用具有已知运动模式的合成数据验证运动估计的准确性。

实验结果

研究问题

• RQ1 鲁棒的、对异常值不敏感的参考体积是否能改善高度运动污染的胎儿fMRI数据中的运动校正？
• RQ2 Huber L2正则化是否优于传统正则化方法（如TK1 L2、TV L2），在保持功能连接性和减少伪影方面表现更优？
• RQ3 所提出的框架在多大程度上减少了功能连接性分析中的异常时间点数量？
• RQ4 运动校正如何影响胎儿fMRI中功能连接网络的可重复性和可解释性？
• RQ5 该框架是否能有效应用于不同扫描协议，包括轴向、冠状和矢状序列？

主要发现

• 在一名受试者中，所提出框架将异常值比例从12.9%降低至8.6%（p值为0.019），表明运动校正与Huber L2正则化后信号质量得到提升。
• 受试者运动与功能连接性之间关系的斜率从-0.0029降至-0.0010，表明运动相关偏差减少。
• 当参数设为0.1时，Huber L2正则化在所有正则化方法中产生了最可重复且准确的功能连接性估计。
• 在妊娠20至25周期间，异常时间点比例从18.6%降至9.16%；在26至31周期间，从7.125%降至5%。
• 该方法有效减少了大脑边界处的虚假高相关区域，这些区域是运动伪影所致，尤其在使用TK1 L2或MCFLIRT时更为明显。
• 即使在极端运动（高达50 mm）条件下，该框架仍保持高性能，尽管在极端EPI和交错扫描协议条件下重建质量略有下降。