Realistic noise synthesis reduces bias and improves tissue microstructure estimation with supervised machine learning

技術要約：dMRIにおける不偏な微細構造推定のための、現実的なノイズ合成

問題提起
拡散MRI（dMRI）は組織の微細構造を非侵襲的に探索することを可能にするが、正確なパラメータ推定はしばしばノイズに関連する影響によって損なわれる。系統的なバイアスの主な要因は、振幅再構成されたMRデータの非自明なノザ特性に由来する。具体的には、振幅再構成プロセスが、平均ゼロの複素ガウスノイズをリシアン分布へと変換させ、真の信号振幅から期待値が逸脱する原因となる。これは特に低SNR（信号対雑音比）において顕著である。さらに、MPPCA（Marchenko–Pastur Principal Component Analysis）によるデノイジングなどの標準的な前処理ステップは、実効的なノイズ分散と分布を変化させ、結果として平均がシフトし標準偏差が減少したガウス近似的な信号をもたらすことが多い。

教師あり機械学習（ML）の枠組みでは、シミュレーションされた訓練データを用いて信号から微細構造パラメータへのマッピングを学習するが、シミュレーションデータのノイズ特性が取得された実験信号と一致しない場合に「共変量シフト（covariate shift）」が発生する。訓練データが、振幅によるバイアスや後処理による分散を無視して、無ノイズ信号や簡略化されたノイズモデルを用いて生成されている場合、得られる推定値は系統的なSNR依存のバイアスを示し、特に高b値や高空間分解能に関連する低SNR領域において汎化性能が低下する。

手法
著者らは、シミュレーションされた訓練データの統計的性質を実験的な推論信号に一致させるために設計された、**現実的なノイズ合成（Realistic Noise Synthesis: RNS）**フレームワークを提案している。この2段階のデータ条件付きアプローチは、振幅によるバイアスと、実効的な後処理ノイズ分散の両方をモデル化する：

1. ステップ 0：経験的ノイズ推定： フレームワークは、生データからボクセルごとの熱雑音標準偏差（$\sigma$）を（例：MPPCAを用いて）推定し、前処理済みデータに対する球面調和関数（SH）適合の残差から、実効的な後処理ノイズ標準偏差（$\sigma^*$）を推定する。これらの値は、サンプリング中に用いるための経験的分布を形成するために集計される。
2. ステップ 1：振幅誘発バイアスの注入： 与えられた無ノイズ信号 $S$ に対して、フレームワークは、推定された熱雑音 $\sigma$ を用いて、対応するリシアン分布の期待値 $\mu_R(S, \sigma)$ を計算する。これにより、無ノイズ信号を、振幅データで観察されるバイアスのある期待値へと置き換える。
3. ステップ 2：実効ノイズの注入： 信号依存の平均シフトを保持しつつ、標準偏差 $\sigma^*$ を持つ平均ゼロのガウスノイズを、リシアン・バイアスを受けた信号に加算する。これは、デノイジング後に観察される減少した分散を捉えるものである。

本フレームワークは、2つの生物物理モデル（2コンパートメント・シリンダー・ゼッペリンモデルおよびSOMA/Neurite Density Imaging [SANDI] モデル）を用いて評価された。実験では、複数のSNRレベルを用いたシミュレーションデータセットと、繰り返し取得データ（Manzano Patrónら）および超高勾配取得データ（Connectom）を用いたin vivoデータが使用された。RNSで訓練された推定器（ブートストラップ集約法および多層パーセプトロン回帰器を使用）の性能を、ノイズを考慮した非線形最小二乗法（NLLS）および簡略化されたノイズモデル（リシアン・オフセットのみ、またはガウスノイズのみ）で訓練されたベースラインのML推定器と比較した。

主な結果

• バイアス低減： 振幅の影響を無視した信号（推定器 2b）で訓練すると、特に低SNRにおいて系統的なSNR依存のバイアスが生じた。リシアン期待値を組み込むことで（推定器 1, 2a, 2c, 2d）、このバイアスはノイズを考慮したNLLS適合と同等のレベルまで大幅に減少した。
• 精度の向上： さらに、訓練中に実効標準偏差（$\sigma^*$）をモデル化することで（推定器 2c および 2d）、推定値の精度がさらに向上し、リシアン平均のみを考慮したモデルと比較して残差の標準偏差が減少した。
• アーキテクチャへの堅牢性： 性能の向上は、回帰アーキテクチャにほとんど依存しなかった。ブートストラップ集約（BR）と多層パーセプトロン（MLP）の両方の回帰器において、RNSフレームワークを用いることで同様の改善が見られ、特定のネットワーク・トポロジーよりもノイズモデリング戦略が支配的であることを示した。
• ノイズ推定への感度： 本研究は、手法が正確なノイズ推定に敏感であることを明らかにした。ノイズ標準偏差の誤推定（たとえ $\pm 10\%$ から $20\%$ の範囲であっても）は、回復されたパラメータに系統的なバイアスをもたらした。ノイズを過小評価すると信号分画の過大評価を招き、過大評価すると過小評価を招いた。
• In Vivoでの検証： 低SNR（0.9 mm³ 解像度）のin vivoデータにおいて、RNS訓練済み推定器は、ベースラインの手法と比較して、白質と灰白質のコントラストを維持しつつ、信号分画の明らかな過大評価を抑えた、より安定したパラメータマップを生成した。同様の改善は、高b値におけるSANDIモデルでも観察された。

意義と主張
本論文は、シミュレーションされた訓練データにおけるノイズ統計の現実的なモデリングが、不偏な教師あり微細構造推定において不可欠であると主張している。提案されたRNSフレームワークは、訓練信号の平均と分散を推論データに一致させることにより、信号ドメインにおける共変量シフトを明示的に対処することで、典型的な問題である系統的バイアスを軽減する。

著者らは、教師ありMLがNLLSよりも高いバイアスを示すというこれまでの帰属は、サンプリング戦略に起因するという見解を再検討する必要があると論じている。なぜなら、訓練分布が実験条件と統計的に一致していれば、教師あり推定器は古典的なNLLSと同等のバイアス性能を実現できることを、彼らの結果が示しているからである。本研究は、パラメータ分布の設計も重要であるが、入力信号分布（特に振幅誘発バイアスと実効ノイズ分散）を正確にモデル化することが、特に困難な取得条件下で作動する高度な微細構造モデルにとって、堅牢かつ不偏な推論のための重要な前提条件であることを強調している。