BREIT: A Framework for Brain Stroke Reconstruction using Multi-Frequency 3D EIT

技術要約：3D MF-EIT脳卒中再構成のためのBREITおよびdFNO-bar

問題提起
マルチ周波数電気インピーダンス・トモグラフィ（MF-EIT）は、迅速な脳卒中評価のための有望かつ非侵襲的でポータブルな、CTやMRIに代わる手法として期待されている。これは頭皮電極を介した連続モニタリングが可能である。しかし、3DディープラーニングによるMF-EIT再構成法の開発は、主に2つの課題によって阻まれている。(1) 正解（GT）ボリュームと境界測定値が対になった大規模なデータセットの不足、および (2) データ生成、シミュレーション、および評価における標準化されたパイプラインの欠如である。既存の文献では、一貫性のないモデリングの仮定、簡略化された2Dワークフローへの依存、あるいは体系的なベンチマークのための統合されたツールの欠如が見られ、異なる脳卒中タイプやデータセット間での再現可能な比較を困難にしている。

手法
著者らは、放射線学的アドルミティ（電導率）生成、現実的なMF-EITシミュレーション、およびディープラーニングのベンチマークを統合するために設計されたモジュール式フレームワークであるBREITを導入する。このフレームワークは、以下のパイプラインを通じて動作する。

1. 神経画像からEITへのパイプライン:

   • データソース: このパイプラインは公開されているUCLH MF-EIT脳卒中コホートに基づいているが、学習データを増強するために外部のMRI/CTデータセット（虚血性、出血性、および健康な状態）にも拡張されている。
   • セグメンテーションとマッピング: 被験者固有のCT/MRIスキャンは、MNI152標準空間にレジストレーションされる。組織セグメンテーション（灰白質、白質、脳脊髄液）および病変セグメンテーション（虚血性または出血性）は、FSL、ANTs、DeepBleedなどのツールを用いて実行される。
   • アドルミティ生成: 4クラスのセグメンテーションが、17の周波数（5–2000 Hz）にわたる文献値を用いて周波数依存的な複素アドルミティ（$\gamma = \sigma + i\omega\epsilon$）にマッピングされ、被験者ごとに17個のGTアドルミティ・ボリュームが生成される。

2. 前方シミュレーション (3D CEM):

   • 自己完結型のPythonソルバーが、有限要素法（FEM）を用いた3D完全電極モデル（CEM）を実装する。
   • これは、現実的な頭部メッシュ（シミュレーション用細密メッシュ $\approx$ 100万四面体、再構成用粗いメッシュ $\approx$ 7.5万）を用い、UCLHの電極ジオメトリと注入プロトコルを使用して、MF-EIT電圧をシミュレートする。
   • このソルバーはEIDORSライブラリおよび臨床的なUCLHの測定値に対して検証されており、高い相関（平均 $r \approx 0.82$）と低い正規化平均二乗誤差を示した。

3. 再構成アルゴリズム (dFNO-bar):

   • 3D D-bar基盤: 本フレームワークは、不均一な電極配置をサポートする3D D-bar再構成法を実装している。非均一な電極分布を扱うために球面ボロノイ表面面積重みを利用し、$t_{exp}$ と $t_0$ の近似を用いて散乱データ $t(\xi)$ を計算する。
   • dFNO-barアーキテクチャ: 提案されている dFNO-bar モデルは、Fourier Neural Operator（FNO）をD-bar構造と統合する。
     • 入力: 4つの異なる切断半径（$T_\xi \in \{5, 7, 9, 11\}$）で計算された複素散乱データ $t_0(\xi)$ を受け取り、実部と虚部をスタックして8チャンネルの入力ボリュームを形成する。
     • 処理: 3D FNOブロックが、散乱ドメインから粗い導電率ボリュームへのマッピングを学習する。これに続き、軽量な3D U-Netデコーダが、粗い出力と元の8チャンネルの散乱入力を結合（合計9チャンネル）することで、予測を精緻化する。
     • 出力: 最終的な出力は、再構成された導電率 $\sigma(x) = \Re\{\gamma\}$ である。

主な貢献

1. マルチモーダル・データ生成: CT/MRIを3D周波数依存アドルミティ・ボリュームとシミュレートされたMF-EIT電圧に変換するパイプラインであり、GTデータの不足に対処する。
2. 3D CEM + D-barツール群: ボロノイ重み付けを介した非均一電極配置のサポートを含む、3D D-barコンポーネントのPython実装。
3. dFNO-barモデル: マルチ・トランケーションD-bar散乱データとFNOおよびU-Net精緻化を組み合わせ、散乱から導電率へのマッピングを学習する新しい再構成モデル。
4. モジュール式コードベース: 生成、学習、および評価のためのエンドツーエンドで再現可能なフレームワークを提供し、異なる脳卒中タイプ間での標準化されたベンチマークを容易にする。

結果
著者らは、合成データ（虚血性250例、出血性219例、健康な状態193例）を用い、ノイズ（50 dB、40 dB）を加えた条件下で、dFNO-barを古典的なベースライン（One-step Gauss-Newton、D-bar）およびディープラーニングのベースライン（Deep D-bar）と比較評価した。

• 定量的性能: dFNO-barは、すべてのノイズレベルにおいて最高の構造類似性指数（SSIM）を達成した。例えば、無ノイズ条件下では、dFNO-barは 44.13 のSSIMを達成し、これはDeep D-barの 40.09 およびD-barの 0.25 を上回った。相関係数（CC）は、ノイズがある設定ではDeep D-barと同等であったが、無ノイズ条件ではわずかに高かった。
• 統計的有意性: 対検定の結果、すべてのノイズ設定において、dFNO-barはDeep D-barに対して有意なSSIMの向上を示した（$p \ll 0.01$）。
• 効率性: dFNO-barは、Deep D-barよりも少ないパラメータ数（67.2M 対 90.3M）とメモリ使用量（0.59 GB 対 0.69 GB）を利用したが、推論時間はわずかに長かった（0.32s 対 0.23s）。
• 視覚的品質: 定性的な比較により、dFNO-barは競合する手法と比較して、病変の位置、形状、および脳構造のより正確な予測を提供することが示された。

意義
本論文は、BREITを3D MF-EIT脳卒中再構成における再現可能かつ標準化された研究への重要なステップとして位置づけている。神経画像、現実的なシミュレーション、およびディープラーニングを橋渡しする統一されたフレームワークを提供することで、現在のモデリングの仮定やシミュレーションの詳細における断片化に対処している。著者らは、dFNO-barが、Fourier Neural OperatorをD-barフレームワークに統合することで、効率性を維持しながら再構成の質（特にSSIM）を向上させられることを示している。本研究は、時間的制約のある脳卒中評価のための堅牢な3D MF-EDT手法の開発を加速させることを目的としており、今後は部分境界法による臨床評価や、より広範な解剖学的多様性への対応を計画している。