Cortical analysis of heterogeneous clinical brain MRI scans for large-scale neuroimaging studies

要約

タイトル：臨床的脳MRIスキャンの大規模神経画像学的研究用の異種材料分析
要約：
– 表皮解析は、cortical registration、parcellation、またはthickness estimationのためにMRIを用いた人間の神経画像学で頻繁に用いられている。
– 複雑な皮質幾何学に対応するために、3D再構築のために等方性スキャン（例：1mm MPRAGE）と良好な灰白物質コントラストが必要になる。
– これにより、臨床目的で取得されたほとんどの脳MRIスキャンを分析することができなくなってしまう。
– そのようなスキャンを分析することで、サンプルサイズが現在の研究データセットでは達成できない、特に代表の少ない集団や稀な疾患の神経画像学的研究が可能になる。
– ここでは、どの分解能とパルスシークエンスでも可能な臨床的脳MRIスキャンの皮質再構築、登録、パルセーション、および厚さの推定の最初の方法を提供する。
– この手法は学習コンポーネントと古典的な最適化モジュールを持っている。
– 前者は、ドメインのランダム化を使用して、1mm等方性分解能での白質およびピアル表面の暗黙的表現を予測するCNNをトレーニングする。
– 後者は、ジオメトリ処理を使用して表面を配置し、トポロジカルおよびジオメトリ的制約を正確に満たすことで、既存の方法を用いた後続のパルセーションおよび厚さの推定が可能になる。
– ADNIの5mm軸状FLAIRスキャンと非常に異種の臨床的データセットの5000スキャンについて結果を示し、コードおよびデータは公開されている。

要約(オリジナル)

Surface analysis of the cortex is ubiquitous in human neuroimaging with MRI, e.g., for cortical registration, parcellation, or thickness estimation. The convoluted cortical geometry requires isotropic scans (e.g., 1mm MPRAGEs) and good gray-white matter contrast for 3D reconstruction. This precludes the analysis of most brain MRI scans acquired for clinical purposes. Analyzing such scans would enable neuroimaging studies with sample sizes that cannot be achieved with current research datasets, particularly for underrepresented populations and rare diseases. Here we present the first method for cortical reconstruction, registration, parcellation, and thickness estimation for clinical brain MRI scans of any resolution and pulse sequence. The methods has a learning component and a classical optimization module. The former uses domain randomization to train a CNN that predicts an implicit representation of the white matter and pial surfaces (a signed distance function) at 1mm isotropic resolution, independently of the pulse sequence and resolution of the input. The latter uses geometry processing to place the surfaces while accurately satisfying topological and geometric constraints, thus enabling subsequent parcellation and thickness estimation with existing methods. We present results on 5mm axial FLAIR scans from ADNI and on a highly heterogeneous clinical dataset with 5,000 scans. Code and data are publicly available at https://surfer.nmr.mgh.harvard.edu/fswiki/recon-all-clinical

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI