Diffusion MRI with Machine Learning

要約

拡散強調磁気共鳴画像法 (dMRI) は、脳組織の微細構造や構造的接続性の非侵襲的調査などの独自の機能を提供します。
脳病理の臨床評価や神経科学研究に広く使用されています。
dMRI データを分析して医療および科学目的に役立つ情報を抽出することは困難な場合があります。
dMRI 測定では、強いノイズやアーチファクトが発生することが多く、通常、データにはセッション間およびスキャナー間のばらつきが大きく、被験者間の脳構造にはかなりの不均一性があります。
さらに、測定値と対象の現象との関係は非常に複雑になる場合があります。
近年、dMRI 解析における機械学習手法の使用が増加しています。
この原稿は、データの前処理と調和、微細構造マッピング、トラクトグラフィー、および白質トラクト分析に取り組んだ方法に焦点を当てて、これらの取り組みを評価することを目的としています。
私たちは既存の手法の主な発見、長所、短所を研究し、将来の研究のトピックを提案します。
私たちは、機械学習が dMRI 解析におけるいくつかの困難なタスクに取り組むのに非常に適している可能性があることを発見しました。
ただし、これを実現するには、既存の方法のいくつかの欠点と重大な未解決の問題に対処する必要があります。
これらには、評価手法の不備、豊富なトレーニング データセットと検証ベンチマークの欠如、モデルの一般化性、信頼性、説明可能性に関する懸念が含まれます。

要約(オリジナル)

Diffusion-weighted magnetic resonance imaging (dMRI) offers unique capabilities including noninvasive probing of brain’s tissue microstructure and structural connectivity. It is widely used for clinical assessment of brain pathologies and for neuroscience research. Analyzing the dMRI data to extract useful information for medical and scientific purposes can be challenging. The dMRI measurements often suffer from strong noise and artifacts, there is usually high inter-session and inter-scanner variability in the data, and considerable inter-subject heterogeneity in brain structure. Moreover, the relationship between measurements and the phenomena of interest can be highly complex. Recent years have witnessed increasing use of machine learning methods for dMRI analysis. This manuscript aims to assess these efforts, with a focus on methods that have addressed data preprocessing and harmonization, microstructure mapping, tractography, and white matter tract analysis. We study the main findings, strengths, and weaknesses of the existing methods and suggest topics for future research. We find that machine learning may be exceptionally suited to tackle some of the difficult tasks in dMRI analysis. However, for this to happen, several shortcomings of existing methods and critical unresolved issues need to be addressed. These include deficient evaluation practices, lack of rich training datasets and validation benchmarks, as well as model generalizability, reliability, and explainability concerns.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google