Spherical convolutional neural networks can improve brain microstructure estimation from diffusion MRI data

要約

拡散磁気共鳴画像法は、脳組織の微細構造特性に敏感です。
ただし、測定された信号から臨床的および科学的に関連する微細構造特性を推定することは、依然として非常に困難な逆問題であり、機械学習が解決に役立つ可能性があります。
この研究では、最近開発された回転不変球面畳み込みニューラル ネットワークが微細構造パラメータ推定を改善できるかどうかを調査しました。
私たちは、効率的にシミュレートされたノイズを含むデータからグラウンドトゥルースパラメータ値を予測するために球状畳み込みニューラルネットワークをトレーニングし、トレーニングされたネットワークを臨床設定で取得された画像データに適用して微細構造パラメータマップを生成しました。
私たちのネットワークは、球面平均法や多層パーセプトロンよりも優れたパフォーマンスを示し、多層パーセプトロンよりも少ない回転分散で球面平均法よりも高い予測精度を達成しました。
私たちは神経組織の制約された 2 コンパートメント モデルに焦点を当てましたが、ネットワークとトレーニング パイプラインは一般化可能であり、任意のガウス コンパートメント モデルのパラメーターを推定するために使用できます。
これを強調するために、テンソル値拡散符号化を使用して見かけの神経体細胞密度の推定を可能にする 3 コンパートメント モデルのパラメーターを予測するようにネットワークをトレーニングしました。

要約(オリジナル)

Diffusion magnetic resonance imaging is sensitive to the microstructural properties of brain tissue. However, estimating clinically and scientifically relevant microstructural properties from the measured signals remains a highly challenging inverse problem that machine learning may help solve. This study investigated if recently developed rotationally invariant spherical convolutional neural networks can improve microstructural parameter estimation. We trained a spherical convolutional neural network to predict the ground-truth parameter values from efficiently simulated noisy data and applied the trained network to imaging data acquired in a clinical setting to generate microstructural parameter maps. Our network performed better than the spherical mean technique and multi-layer perceptron, achieving higher prediction accuracy than the spherical mean technique with less rotational variance than the multi-layer perceptron. Although we focused on a constrained two-compartment model of neuronal tissue, the network and training pipeline are generalizable and can be used to estimate the parameters of any Gaussian compartment model. To highlight this, we also trained the network to predict the parameters of a three-compartment model that enables the estimation of apparent neural soma density using tensor-valued diffusion encoding.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google