Resolving quantitative MRI model degeneracy with machine learning via training data distribution design

要約

定量的 MRI (qMRI) は、これらの未知の量を測定された MRI 信号に関連付けるモデルを介して、組織の特性を非侵襲的にマッピングすることを目的としています。
従来、モデル フィッティングが必要であったこれらの未知数の推定 (多くの場合反復的な手順) は、ワンショットの機械学習 (ML) アプローチで実行できるようになりました。
このようなパラメーターの推定は、固有の qMRI 信号モデルの縮退によって複雑になる可能性があります。組織特性のさまざまな組み合わせが同じ信号を生成します。
多くの利点があるにもかかわらず、ML アプローチがこの問題を解決できるかどうかは不明のままです。
増大する経験的証拠は、ML アプローチがモデルの縮退の影響を受けやすいままであることを示唆しているようです。
ここでは、適切な状況下で ML がこの問題に対処できることを示します。
ML ベースのパラメーター推定に対するトレーニング データ分布の影響に関する最近の研究に着想を得て、トレーニング データ分布を設計することでモデルの縮退を解決することを提案します。
モデルの縮退の分類を提唱し、提案された攻撃に適した特定の種類の縮退を特定します。
この戦略は、標準的なマルチシェル拡散 MRI データを模範として使用した改訂版 NODDI モデルを使用してうまく実証されています。
私たちの結果は、ML による組織特性の正確な推定を可能にする可能性のあるトレーニング セットの設計の重要性を示しています。

要約(オリジナル)

Quantitative MRI (qMRI) aims to map tissue properties non-invasively via models that relate these unknown quantities to measured MRI signals. Estimating these unknowns, which has traditionally required model fitting – an often iterative procedure, can now be done with one-shot machine learning (ML) approaches. Such parameter estimation may be complicated by intrinsic qMRI signal model degeneracy: different combinations of tissue properties produce the same signal. Despite their many advantages, it remains unclear whether ML approaches can resolve this issue. Growing empirical evidence appears to suggest ML approaches remain susceptible to model degeneracy. Here we demonstrate under the right circumstances ML can address this issue. Inspired by recent works on the impact of training data distributions on ML-based parameter estimation, we propose to resolve model degeneracy by designing training data distributions. We put forward a classification of model degeneracies and identify one particular kind of degeneracies amenable to the proposed attack. The strategy is demonstrated successfully using the Revised NODDI model with standard multi-shell diffusion MRI data as an exemplar. Our results illustrate the importance of training set design which has the potential to allow accurate estimation of tissue properties with ML.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google