MICCAI-CDMRI 2023 QuantConn Challenge Findings on Achieving Robust Quantitative Connectivity through Harmonized Preprocessing of Diffusion MRI

要約

白質の変化は、神経疾患とその進行にますます関与していることがわかっています。
国際規模の研究では、拡散強調磁気共鳴画像法 (DW-MRI) を使用して、白質の微細構造と結合性の変化を定性的に特定します。
しかし、DW-MRI データの定量的分析は、さまざまな取得プロトコルに起因する不一致によって妨げられています。
DW-MRI データセットの前処理を調和させて、収集全体にわたる堅牢な定量的拡散メトリクスを確実に導き出すことが急務となっています。
MICCAI-CDMRI 2023 QuantConn チャレンジでは、参加者には同じスキャナーで収集された同じ個人からの 2 つの異なる取得による生データが提供され、生物学的変動を維持しながら取得の差を最小限に抑えるために DW-MRI を前処理するという課題が与えられました。
提出されたものは、相互取得されたバンドルごとの微細構造測定、バンドル形状の特徴、およびコネクトミクスの再現性と比較可能性に関して評価されます。
QuantConn チャレンジの主な革新は、(1) 調和の観点からバンドルとトラクトグラフィーを初めて評価すること、(2) 調和の観点からコネクトミクスを初めて評価すること、(3) 10 倍の評価を達成していることです。
以前のハーモナイゼーション チャレンジ、MUSHAC を上回る追加科目、SuperMUDI の 100 倍。
バンドル表面積、分数異方性、コネクトーム同類性、媒介中心性、エッジ数、モジュール性、節点強度、および参加係数の測定値が取得によって最も偏り、機械学習のボクセルごとの補正、RISH マッピング、および NeSH 手法が効果的に減少することがわかりました。
これらの偏見。
さらに、微細構造の測定値 AD、MD、RD、バンドル長、コネクトーム密度、効率、および経路長は、これらの取得の違いによるバイアスがほとんどありません。

要約(オリジナル)

White matter alterations are increasingly implicated in neurological diseases and their progression. International-scale studies use diffusion-weighted magnetic resonance imaging (DW-MRI) to qualitatively identify changes in white matter microstructure and connectivity. Yet, quantitative analysis of DW-MRI data is hindered by inconsistencies stemming from varying acquisition protocols. There is a pressing need to harmonize the preprocessing of DW-MRI datasets to ensure the derivation of robust quantitative diffusion metrics across acquisitions. In the MICCAI-CDMRI 2023 QuantConn challenge, participants were provided raw data from the same individuals collected on the same scanner but with two different acquisitions and tasked with preprocessing the DW-MRI to minimize acquisition differences while retaining biological variation. Submissions are evaluated on the reproducibility and comparability of cross-acquisition bundle-wise microstructure measures, bundle shape features, and connectomics. The key innovations of the QuantConn challenge are that (1) we assess bundles and tractography in the context of harmonization for the first time, (2) we assess connectomics in the context of harmonization for the first time, and (3) we have 10x additional subjects over prior harmonization challenge, MUSHAC and 100x over SuperMUDI. We find that bundle surface area, fractional anisotropy, connectome assortativity, betweenness centrality, edge count, modularity, nodal strength, and participation coefficient measures are most biased by acquisition and that machine learning voxel-wise correction, RISH mapping, and NeSH methods effectively reduce these biases. In addition, microstructure measures AD, MD, RD, bundle length, connectome density, efficiency, and path length are least biased by these acquisition differences.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google