Spatially-informed Image Harmonization Results in Improved Scanner Effect Removal and Prediction

Probleemstelling

Neuroimaging-studies, zoals die met MRI-scans, worden vaak beperkt door kleine steekproefgroottes en de noodzaak om data van meerdere onderzoekscentra (multi-site studies) te combineren om voldoende statistische power te hebben. Het combineren van data van verschillende locaties introduceert echter "batch-effecten" of scanner-specifieke heterogeniteit. Deze technische variatie kan biologische signalen maskeren of valse associaties creëren, wat de reproduceerbaarheid en betrouwbaarheid van de resultaten ondermijnt.

Bestaande harmonisatiemethoden, zoals ComBat, zijn effectief in het verwijderen van gemiddelde en variantie-effecten per scanner. Echter, deze methoden hebben een fundamenteel tekortkoming: ze negeren de ruimtelijke informatie (spatial correlations) binnen de afbeeldingen. Ze behandelen voxels (beeldpunten) vaak als onafhankelijke eenheden of als uitwisselbare regio's, wat leidt tot onnauwkeurige schattingen, vooral bij lage signaal-ruisverhoudingen (SNR). Bestaande methoden die wel ruimtelijke correlaties proberen te modelleren, doen dit vaak alleen voor residuen en niet voor de gemiddelde scanner-effecten, of ze maken aannames die leiden tot overfitting bij hoge dimensies (tienduizenden voxels).

Methodologie: Tensor-ComBat (TC)

De auteurs introduceren een nieuwe, Bayesiaanse tensor-gebaseerde modellering genaamd Tensor-ComBat (TC). Deze methode is ontworpen om scanner-effecten op voxel-niveau te harmoniseren terwijl de ruimtelijke structuur van de hersenbeelden expliciet wordt meegenomen.

Kerncomponenten van de methode:

1. Bayesian Tensor Response Regression (BTRR): In plaats van lineaire regressie per voxel, wordt het beeld gemodelleerd als een tensor-object. De modelcoëfficiënten (zoals intercepts, biologische effecten en scanner-effecten) worden niet als losse parameters geschat, maar als een tensor die een lage-rang decompositie (PARAFAC) ondergaat.
   • Dit reduceert het aantal parameters drastisch (van $p_1 \times p_2 \times p_3$ naar $R(p_1 + p_2 + p_3)$), wat overfitting voorkomt en de methode schaalbaar maakt voor hoge dimensies.
2. Ruimtelijke Priors: De methode gebruikt gestructureerde prior-covariantiematrices (met AR-1 structuren) om expliciete ruimtelijke correlaties tussen aangrenzende voxels te modelleren. Dit zorgt voor een robuustere schatting van zowel de gemiddelde scanner-effecten als de residuen.
3. Bayesiaanse Inferentie: Het model wordt volledig Bayesiaans geschat via Markov Chain Monte Carlo (MCMC). Dit biedt een natuurlijk mechanisme voor onzekerheidskwantificatie (bijv. geloofswaarde-intervallen) voor scanner-effecten, iets wat bij empirische Bayes-methoden zoals ComBat lastig is.
4. Implementatievarianten: De auteurs testen zowel cross-sectionele als longitudinale modellen, en zowel 3D-beeldharmonisatie als harmonisatie per 2D-schijf (slice-by-slice). De slice-by-slice variant (TC-CS-Sl) bleek computatie-efficiënter en effectiever.

Belangrijkste Bijdragen

• Ruimtelijk bewuste harmonisatie: Het is de eerste methode die ruimtelijke correlaties expliciet toepast op zowel de gemiddelde scanner-effecten als de residuen binnen een harmonisatieframework.
• Onzekerheidskwantificatie: Door het gebruik van een volledig Bayesiaans kader kunnen de auteurs significante ruimtelijke patronen van scanner-afwijkingen identificeren met bijbehorende betrouwbaarheidsintervallen.
• Dimensionaliteitsreductie: De PARAFAC-decompositie maakt het mogelijk om duizenden voxels te harmoniseren zonder overfitting, wat een groot voordeel is ten opzichte van voxel-voor-voxel benaderingen.
• Inferentie op biologische effecten: De methode stelt onderzoekers in staat om niet alleen scanner-effecten te verwijderen, maar ook om significante ruimtelijk verdeelde biologische effecten (bijv. op Alzheimer-progressie) direct te infereren binnen hetzelfde model.

Resultaten

De methode werd gevalideerd op data van het Alzheimer's Disease Neuroimaging Initiative (ADNI-1), bestaande uit 2108 T1w-MRI-scans van 818 subjecten over 58 verschillende scanners.

1. Verwijdering van Scanner-effecten:

   • Tensor-ComBat (vooral de slice-by-slice variant, TC-CS-Sl) presteerde significant beter dan ComBat en andere methoden (Adjusted Residuals) in het maximaliseren van de paarsgewijze correlatie en het minimaliseren van de RMSE tussen scanners.
   • De methode identificeerde specifieke hersengebieden met hoge scanner-variabiliteit, zoals het cerebellum, de inferieure temporale gyrus en de fusiforme gyrus.
   • Residuen na harmonisatie toonden minder outliers en een betere modelfit ($R^2$) vergeleken met ComBat.

2. Verbetering van Biologische Signalen:

   • Na harmonisatie met TC-CS-Sl was de voorspellende nauwkeurigheid voor biologische variabelen (leeftijd, geslacht, AD-diagnose, LMCI, APOE-4) significant hoger dan bij ComBat of niet-geharmoniseerde data.
   • De methode behield biologische variatie beter, wat leidde tot betere uit-of-sample voorspellingen.

3. Reproduceerbaarheid:

   • De ruimtelijke patronen van significante biologische effecten (bijv. leeftijdseffecten op corticale dikte) waren aanzienlijk reproduceerbaarder bij gebruik van Tensor-ComBat. Dit werd gemeten via Dice-scores (overlap van significante regio's tussen data-splitten), waarbij TC-methoden hogere scores behaalden dan ComBat.

4. Cognitieve Voorspelling:

   • Hoewel cognitieve scores (MMSE, RAVLT, ADAS) niet direct in het harmonisatiemodel waren opgenomen, leidde TC-CS-Sl tot significante verbeteringen in het voorspellen van deze scores, vooral voor de ADAS-scores op verschillende tijdstippen.

Significantie

Dit onderzoek markeert een belangrijke doorbraak in de neuroimaging-analyse. Door ruimtelijke informatie te integreren in het harmonisatieproces, lost Tensor-ComBat het probleem op van onnauwkeurige schattingen door scanner-variabiliteit, zonder biologische signalen te verliezen.

• Klinische Impact: De verbeterde reproduceerbaarheid en nauwkeurigheid maken multi-site studies betrouwbaarder voor het ontdekken van biomarkers voor neurodegeneratieve ziekten zoals Alzheimer.
• Methodologische Vooruitgang: Het biedt een kader dat niet alleen data "schoner" maakt, maar ook dieper inzicht geeft in de mechanica van scanner-variabiliteit en biologische processen via Bayesiaanse inferentie.
• Toekomstperspectief: De methode is schaalbaar en kan worden toegepast op andere hoog-resolutie beeldvormingsmodaliteiten, waarbij het potentieel heeft om de standaard te worden voor multi-site neuroimaging studies.

Samenvattend biedt Tensor-ComBat een superieur alternatief voor bestaande methoden door de ruimtelijke aard van hersenbeelden te respecteren, wat leidt tot robuustere, reproduceerbare en biologisch betekenisvolle resultaten.