Streamline tractography of the fetal brain in utero with machine learning

要約

拡散強調磁気共鳴画像法 (dMRI) は、脳の白質路と構造的接続性を研究するための唯一の非侵襲的ツールです。
これらの評価は、白質線維を表す仮想流線を再構築するトラクトグラフィー技術に大きく依存しています。
成人の脳のトラクトグラフィー方法を改善することに多くの努力が払われてきたが、胎児の脳のトラクトグラフィーはほとんど無視されてきた。
胎児トラクトグラフィーは、低 dMRI 信号品質、未熟で急速に発達する脳構造、および参照データの不足により、特有の困難に直面しています。
この研究は、胎児のトラクトグラフィーのための最初の機械学習モデルを提示します。
モデル入力は 5 つの情報源で構成されます。(1) dMRI 信号に適合した拡散テンソルから推測される繊維配向。
(2) 最近の伝播ステップの方向性。
(3) 大脳皮質のキーポイントまでの距離としてエンコードされたグローバルな空間情報。
(4) 組織セグメンテーション情報。
(5) アトラスとともに提供される、予想される局所的な繊維配向に関する事前情報。
局所テンソル推定誤差を軽減するために、畳み込みニューラル ネットワーク モジュールとアテンション ニューラル ネットワーク モジュールを使用して、拡散テンソル イメージ内の現在の点の周囲の大きな空間コンテキストがエンコードされます。
さらに、仮想の次の点における拡散テンソル情報がモデル入力に含まれます。
解剖学的に制約されたトラクトグラフィーに基づいたフィルタリング ルールが適用され、ありそうもない流線が切り取られます。
私たちは手動で調整した全脳胎児トラクトグラムでモデルをトレーニングし、在胎週数 23 ～ 36 週の 11 回のテスト スキャンの独立したセットでトレーニングされたモデルを検証しました。
結果は、私たちが提案した方法が、評価されたすべての領域にわたって優れたパフォーマンスを達成することを示しています。
この新しい方法により、子宮内での正常および異常な脳の発達を研究するための dMRI の機能が大幅に進歩します。

要約(オリジナル)

Diffusion-weighted magnetic resonance imaging (dMRI) is the only non-invasive tool for studying white matter tracts and structural connectivity of the brain. These assessments rely heavily on tractography techniques, which reconstruct virtual streamlines representing white matter fibers. Much effort has been devoted to improving tractography methodology for adult brains, while tractography of the fetal brain has been largely neglected. Fetal tractography faces unique difficulties due to low dMRI signal quality, immature and rapidly developing brain structures, and paucity of reference data. This work presents the first machine learning model for fetal tractography. The model input consists of five sources of information: (1) Fiber orientation, inferred from a diffusion tensor fit to the dMRI signal; (2) Directions of recent propagation steps; (3) Global spatial information, encoded as distances to keypoints in the brain cortex; (4) Tissue segmentation information; and (5) Prior information about the expected local fiber orientations supplied with an atlas. In order to mitigate the local tensor estimation error, a large spatial context around the current point in the diffusion tensor image is encoded using convolutional and attention neural network modules. Moreover, the diffusion tensor information at a hypothetical next point is included in the model input. Filtering rules based on anatomically constrained tractography are applied to prune implausible streamlines. We trained the model on manually-refined whole-brain fetal tractograms and validated the trained model on an independent set of 11 test scans with gestational ages between 23 and 36 weeks. Results show that our proposed method achieves superior performance across all evaluated tracts. The new method can significantly advance the capabilities of dMRI for studying normal and abnormal brain development in utero.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google