[论文解读] Resolving orientation-specific diffusion-relaxation features via Monte-Carlo density-peak clustering in heterogeneous brain tissue

Alexis Reymbaut, J. P. Almeida de Martins+4 more|arXiv (Cornell University)|Apr 18, 2020

Advanced Neuroimaging Techniques and Applications被引用 8

一句话总结

本文提出蒙特卡洛密度峰值聚类（MC-DPC），一种新颖方法，结合张量值扩散编码、蒙特卡洛信号反演与基于密度的聚类，以解析异质性脑组织中亚体素纤维取向及其相关的扩散-弛豫特性。MC-DPC能准确捕捉取向特异性扩散系数与弛豫速率，即使在复杂交叉纤维区域也具有高度一致性，实现稳健的微结构表征。

ABSTRACT

Characterizing the properties and orientations of sub-voxel fiber populations, although essential to study white-matter architecture, microstructure and connectivity, remains one of the main challenges faced by the MRI microstructure community. While some progress has been made in overcoming this challenge using models, signal representations and tractography algorithms, these approaches are ultimately limited by their key assumptions or by the lack of specificity of the diffusion signal alone. In order to alleviate these limitations, we combine diffusion-relaxation MR acquisitions incorporating tensor-valued diffusion encoding, Monte-Carlo signal inversions that extract non-parametric intra-voxel distributions of diffusion tensors and relaxation rates, and density-based clustering techniques. This new approach, called "Monte-Carlo density-peak clustering" (MC-DPC), first delineates clusters in the diffusion-orientation subspace of the fiber-like diffusion-relaxation components output by Monte-Carlo signal inversions and then draws from the statistical aspect of these inversion algorithms to compute the median and interquartile range of orientation-resolved means of diffusivities and relaxation rates. Evaluating MC-DPC on tensor-valued diffusion-encoded and T2-weighted correlated datasets in silico and in vivo, we demonstrate its ability to simultaneously capture sub-voxel fiber orientations and cones of uncertainty, and measure fiber-specific diffusion-relaxation properties that are consistent with the known anatomy and existing literature. Straightforwardly translatable to other diffusion-relaxation correlation experiments probing $T_1$ and $T_2^*$, MC-DPC shows potential in tracking bundle-specific patient-control group differences and longitudinal microstructural changes, enabling new tools for microstructure-informed tractography, and mapping tract-specific myelination states.

研究动机与目标

• 为克服扩散磁共振成像在解析具有不同微结构特性的多个亚体素纤维群时的局限性。
• 在非参数框架下引入弛豫速率与扩散系数，超越仅基于取向的测量，提升特异性。
• 开发一种稳健的聚类方法，能够在噪声大、复杂的扩散-弛豫数据中识别纤维特异性特征。
• 实现在体内外准确、取向分辨的扩散系数与弛豫速率分布估计。
• 支持微结构信息引导的纤维束追踪，以及临床与研究应用中髓鞘变化的纵向追踪。

提出的方法

• 利用张量值扩散编码增强对体素内微结构特征的敏感性，捕捉b-张量的幅值、形状与取向。
• 采用蒙特卡洛信号反演，在5维扩散-弛豫空间中生成扩散张量与弛豫速率的非参数、贝叶斯后验分布。
• 应用密度峰值聚类（DPC）识别反演分布取向子空间中的聚类，基于局部密度与至聚类中心的距离。
• 通过自举法解的中位数与四分位距计算取向分辨扩散系数与弛豫速率估计的不确定性与集中趋势。
• 通过自举重抽样整合多个噪声实现，提升方法的稳健性与统计可靠性。
• 使用体外模拟与T2加权及张量值扩散编码采集的在体人类脑数据对方法进行验证。

实验结果

研究问题

• RQ1 MC-DPC能否在复杂白质区域可靠地分辨具有不同取向与微结构特性的多个亚体素纤维群？
• RQ2 在模拟数据中，MC-DPC对取向分辨扩散系数与弛豫速率分布的估计与真实值相比有多准确？
• RQ3 在低至中等信噪比（SNR）下，MC-DPC在多大程度上保持准确度与精确度？
• RQ4 MC-DPC能否在在体人类脑数据中检测到与已知神经解剖一致的纤维特异性微结构特征？
• RQ5 MC-DPC在解析纤维取向与估计微结构参数方面，与传统基于ODF的峰值检测方法相比表现如何？

主要发现

• MC-DPC在体外与在体数据集中均成功分辨亚体素纤维取向及其相关的扩散与弛豫特性，且与已知解剖结构高度一致。
• 在SNR = 90时，MC-DPC对多数纤维组分的方位偏差低于10°，显示出高精度的取向估计能力。
• 即使在存在噪声的情况下，MC-DPC在模拟数据中仍能将中位数扩散系数与弛豫速率值准确恢复至真实值的10%以内。
• MC-DPC提供的四分位距估计可靠地反映了取向分辨微结构参数的真实不确定性，尤其在高SNR下表现更优。
• 通过MC-DPC计算的扩散系数与弛豫速率取向分辨均值与既定模型及文献中的预期值高度一致。
• MC-DPC在解析复杂纤维构型方面优于基于ODF的峰值检测方法，尤其在存在多个紧密相邻纤维群的区域表现更优。