Projections for handling uncertainties and enabling domain truncation in diffuse optical tomography

以下は、Hakula らによる論文「Diffuse Optical Tomography における不確実性の処理とドメイン切り捨てを可能にする射影」の詳細な技術的概要です。

1. 問題定義

拡散光学トモグラフィ（DOT）は、組織内を伝播する光を測定することで、ヘモグロビンの酸素化・脱酸素化の変化（血流動態活動）をマッピングするために用いられる機能性脳イメージング技術です。吸収係数の変化の再構成は、不適切であり、モデル化誤差に対して極めて敏感な逆問題に依存しています。

本論文は、再構成品質を低下させる前方モデルにおける 3 つの特定の不確実性の源に対処します：

1. オプデ結合係数（Optode Coupling Coefficients）： 光ファイバ（光源/検出器）と皮膚の界面における振幅損失や位相シフトの不確実性（空気隙間、髪、または動きに起因するものなど）。
2. ドメイン切り捨て（関心外領域 - RONI）： 大脳皮質などの特定の関心領域（ROI）のみを再構成し、頭部の残りの部分（RONI）の活動は無視したいという要望。標準的な逆変換は、すべてのデータを ROI によって説明しようとするため、ROI 境界にアーチファクトを生じさせます。
3. 誤指定されたベースライン光学パラメータ： ヤコビアン行列の計算に使用される特定の組織タイプ（例：灰白質または白質）の仮定されたベースライン吸収係数の不正確さ。これは、文献値の変動に起因することが多いです。

目標は、これらの不確実性が存在する場合でも ROI の正確な再構成を可能にし、処理を高速化し安定性を向上させるために計算ドメインの切り捨てを可能にすることです。

2. 手法

著者は、ベイズ逆変換フレームワークに統合された射影ベースの手法を提案します。中核となるアイデアは、線形化された前方モデルを「ノイズパラメータ（不確実性）」が張る部分空間の直交補空間 onto 射影することにより、逆問題を解く前にそれらの影響を実質的に濾過することです。

A. 数学的フレームワーク

線形化された測定モデルは $y = Jx + \tilde{J}\tilde{x} + e$ であり、ここで：

• $y$：差分測定値（対数振幅と位相）。
• $x$：ROI における未知の吸収変化（主要な未知量）。
• $\tilde{x}$：ノイズパラメータ（結合係数、RONI の吸収、またはベースライン誤差）。
• $J, \tilde{J}$：主要およびノイズのヤコビアン行列。
• $e$：測定ノイズ。

この手法は、方程式に直交射影行列 $P$ を適用し、$Py = PJx + Pe$ を導き出し、その後、この射影されたシステムに対してベイズ逆変換を実行します。

B. 射影の構築

$P$ の構築は、不確実性の種類によって異なります：

1. 低次元不確実性（結合係数）：

   • ノイズのヤコビアン $J_c$（測定値と結合係数の関係）は低次元です。
   • $P$ は、$J_c$ の値域の直交補空間への射影として構成されます：$P = I - J_c(J_c^\top J_c)^{-1}J_c^\top$。
   • これにより、結合誤差の影響が完全に除去されます。

2. 高次元不確実性（ドメイン切り捨て/RONI）：

   • ノイズのヤコビアン $\tilde{J}$（測定値と RONI における吸収変化の関係）は高次元です（ほぼ画像空間全体に及ぶ）。完全な射影を行うと、ほぼすべてのデータが失われます。
   • 部分射影： 著者は、データに最も強い影響を与えることが予想される $\tilde{J}$ の値域の部分空間を選択します。これは、RONI に関する事前情報（共分散）を組み込んだ重み付けされたノイズヤコビアン（$\tilde{J}\tilde{A}$）の最初の $k$ 個の左特異ベクトルを用いて行われます。
   • $P$ は、この選択された部分空間の直交補空間 onto 射影します。

3. 誤指定されたベースラインパラメータ：

   • これは新規のアプローチです。ベースラインパラメータに関するヤコビアンではなく、著者は 2 つの異なるベースライン吸収レベル（例：文献値と仮定値）で評価された 2 つのヤコビアンの間の重み付き差分行列を計算します。
   • 射影の核空間（nullspace）は、この差分行列の固有ベクトル（ROI の事前共分散で重み付けされたもの）によって形成されます。
   • これは、ベースラインパラメータの誤差に対する前方モデルの感度を近似します。

C. ベイズ逆変換

射影された線形方程式は、ガウス事前分布とノイズモデルを用いて解かれます。射影されたシステムに対する事後平均と共分散は解析的に導出され、効率的な計算を可能にします。

D. シミュレーション設定

• 前方モデル： GPU 上のMCX（Monte Carlo eXtreme）を用いた放射伝達方程式（RTE）のモンテカルロシミュレーション。
• ファントム： 15 個の光源と 21 個の検出器を備えた、41.7 週（妊娠週数/出生後週数）のボクセル化された新生児頭部モデル。
• データ： 対数振幅と位相遅延の周波数領域（FD）測定値。

3. 主な貢献

1. ベースライン誤差に対する新規射影： 本論文は、ヤコビアンの差の固有ベクトルから射影の核空間を構築することにより、誤指定されたベースライン光学パラメータを処理する方法を導入しました。これは、イメージングモダリティにおいて以前にテストされたことのない手法です。
2. ドメイン切り捨ての実現： この手法は、頭皮/頭蓋骨/その他の脳領域（RONI）を無視しながら脳皮質（ROI）の再構成を成功させ、深刻な境界アーチファクトを導入することなく、より高速なオンライン処理を可能にします。
3. 統合フレームワーク： 結合誤差、ドメイン切り捨て、パラメータの誤指定を個別に、あるいは同時に処理できる統合された射影戦略を実証しました。
4. 近似誤差（AE）サンプリングの回避： 誤差統計を推定するために事前分布と前方解の広範なサンプリングを必要とする近似誤差法とは異なり、この射影手法は追加のサンプリングを回避し、計算上より効率的です。

4. 結果

この手法は、2 つのターゲット（局所化した吸収摂動）を持つシミュレーションデータ、4 つのシナリオで評価されました：

• ケース 1（結合係数）： 射影なしでは、不整合な結合係数が無意味な再構成をもたらしました（$L_2$誤差約 9.9）。射影を用いると、誤差は約 0.195 に低下し、理想的なベースラインケースの品質と一致しました。
• ケース 2（ドメイン切り捨て）： 頭皮（RONI）を無視して脳のみを再構成すると、単純な再構成では境界に強いアーチファクトが生じました（$L_2$誤差約 1.5）。射影法は誤差を約 0.183 に低減し、フルドメイン再構成とほぼ同一の結果を生み出しました。
• ケース 3（誤指定されたベースライン）： 灰白質/白質に対して誤ったベースライン吸収値を使用すると、顕著なアーチファクトとコントラスト誤差が生じました（$L_2$誤差約 1.2）。射影法は局所化を改善し、誤差を約 0.39 に低減しましたが、他のケースほど完璧ではありませんでした。
• ケース 4（組み合わせ不確実性）： 結合誤差とドメイン切り捨てが組み合わされた場合、単純なアプローチは完全に失敗しました（$L_2$誤差 > 20）。組み合わせ射影戦略は、ターゲットを約 0.16 の誤差で成功裡に回復させ、理想的なケースと同等の結果となりました。

5. 意義

この研究は、機能性脳イメージングにおける拡散光学トモグラフィの堅牢性を大幅に向上させます。ノイズパラメータを主要な再構成から数学的に分離することにより、この手法は以下を実現します：

• 臨床的有用性の向上： オプデ結合が不安定で、被験者間で組織特性が変化する現実世界での応用において、DOT をより実用的にします。
• リアルタイム処理の実現： 計算ドメインの切り捨て（皮質のみに焦点を当てる）を可能にし、逆問題の次元を劇的に削減して再構成を高速化します。これは、長時間系列データの監視において不可欠です。
• 精密な較正への依存度の低減： 組織光学特性の完全な正確な事前知識の必要性を低減します。これは、しばしば入手が困難です。

本研究は、モンテカルロシミュレーションのような複雑な確率的前方モデルにおける構造的およびパラメトリックな不確実性を処理するために、近似誤差法に対する強力な代替手段として、射影ベースの周辺化が有効であることを実証しました。