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

Technische Samenvatting: Realistische Ruis-synthese voor Onbevooroordeelde Supervised Microstructuur-schatting in dMRI

Probleemstelling
Diffusion MRI (dMRI) maakt niet-invasieve probing van weefselmicrostructuur mogelijk, maar nauwkeurige parameterschatting wordt vaak gehinderd door ruisgerelateerde effecten. Een primaire bron van systematische bias is de niet-triviale ruiseigenschap van met magnitude gereconstrueerde MR-data. Specifiek veroorzaakt de magnitude-reconstructie een transformatie van zero-mean complexe Gaussische ruis naar een Rician-distributie, waardoor de verwachte signaalwaarde afwijkt van de werkelijke onderliggende signaalamplitude, met name bij lage signaal-ruisverhoudingen (SNR). Bovendien veranderen standaard voorverwerkingsstappen, zoals denoising via Marchenko–Pastur Principal Component Analysis (MPPCA), de effectieve ruisvariantie en distributie, wat vaak resulteert in een Gaussisch-benaderd signaal met een verschoven gemiddelde en een verminderde standaarddeviatie.

In supervised machine learning (ML) frameworks, die vertrouwen op gesimuleerde trainingsdata om mappingen van signalen naar microstructurele parameters te leren, treedt een "covariate shift" op wanneer de ruiskenmerken van de gesimuleerde trainingsdata niet overeenkomen met die van de verworven experimentele signalen. Als trainingsdata worden gegenereerd met ruisloze signalen of vereenvoudigde ruismodellen die magnitude-geïnduceerde bias en post-processing variantie negeren, vertonen de resulterende estimators een systematische, SNR-afhankelijke bias en een verminderde generalisatie, vooral in lage-SNR-regimes geassocieerd met hoge b-waarden of hoge ruimtelijke resolutie.

Methodologie
De auteurs stellen een Realistic Noise Synthesis (RNS) framework voor dat ontworpen is om de statistische eigenschappen van gesimuleerde trainingsdata af te stemmen op experimentele inferentie-signalen. Deze tweestaps, data-geconditioneerde aanpak modelleert zowel de magnitude-geïnduceerde bias als de effectieve post-processing ruisvariantie:

1. Stap 0: Empirische Ruis-estimatie: Het framework schat de voxelwise thermische ruis standaarddeviatie ($\sigma$) uit de ruwe data (bijv. via MPPCA) en de effectieve post-processing ruis standaarddeviatie ($\sigma^*$) uit de residuen van spherical harmonic (SH) fits op de voorverwerkte data. Deze waarden worden geaggregeerd om distributies te vormen voor sampling tijdens de training.
2. Stap 1: Injectie van Magnitude-Geïnduceerde Bias: Voor een gegeven ruisloos signaal $S$ berekent het framework de verwachting van de corresponderende Rician-distributie, $\mu_R(S, \sigma)$, gebruikmakend van de geschatte thermische ruis $\sigma$. Dit vervangt het ruisloze signaal door de bevooroordeelde verwachting die wordt waargenomen in magnitude-data.
3. Stap 2: Injectie van Effectieve Ruis: Zero-mean Gaussische ruis met standaarddeviatie $\sigma^*$ wordt toegevoegd aan het Rician-bevooroordeelde signaal. Dit vangt de verminderde variantie op die wordt waargenomen na denoising, terwijl de signaalafhankelijke gemiddelde verschuiving behouden blijft.

Het framework werd geëvalueerd met behulp van twee biofysische modellen: een twee-compartiment cilinder-zeppelin model en het Soma en Neurite Density Imaging (SANDI) model. Experimenten maakten gebruik van gesimuleerde datasets over meerdere SNR-niveaus en in vivo data van herhaalde acquisities (Manzano Patrón et al.) en ultra-high-gradient acquisities (Connectom). De prestaties van RNS-getrainde estimators (gebruikmakend van Bootstrap Aggregating en Multi-Layer Perceptron regressoren) werden vergeleken met ruis-bewuste Non-Linear Least Squares (NLLS) fitting en baseline ML estimators getraind met vereenvoudigde ruismodellen (alleen Rician offset, of alleen Gaussische ruis).

Belangrijkste Resultaten

• Reductie van Bias: Training op signalen die magnitude-effecten negeerden (Estimator 2b) produceerde een systematische, SNR-afhankelijke bias, vooral bij lage SNR. Het opnemen van de Rician verwachting (Estimators 1, 2a, 2c, 2d) verminderde deze bias aanzienlijk tot niveaus die vergelijkbaar zijn met ruis-bewuste NLLS fitting.
• Verbetering van Precisie: Het aanvullend modelleren van de effectieve standaarddeviatie ($\sigma^*$) tijdens de training (Estimators 2c en 2d) verbeterde de precisie van de schattingen verder, waarbij de standaarddeviatie van de residuen werd verminderd vergeleken met modellen die alleen rekening hielden met de Rician mean.
• Robuustheid van Architectuur: De prestatiewinsten waren grotendeels onafhankelijk van de regressie-architectuur. Zowel Bootstrap Aggregating (BR) als Multi-Layer Perceptron (MLP) regressoren vertoonden vergelijkbare verbeteringen wanneer zij met het RNS-framework werden getraind, wat aangeeft dat de ruismodelleringsstrategie de dominante factor is boven de specifieke netwerktopologie.
• Gevoeligheid voor Ruis-estimatie: De studie stelde vast dat de methode gevoelig is voor nauwkeurige ruis-estimatie. Miscalculatie van de thermische ruis standaarddeviatie (zelfs met $\pm 10\%$ tot $20\%$) introduceerde systematische bias in de teruggewonnen parameters. Onderestimatie van ruis leidde tot overestimatie van signaalfracties, terwijl overestimatie leidde tot onderestimatie.
• In Vivo Validatie: Op in vivo data met een lagere SNR (0.9 mm³ resolutie), produceerde de RNS-getrainde estimator stabielere parametermaps met behoud van wit-grijs stof contrast en een verminderde schijnbare overestimatie van signaalfracties vergeleken met baseline methoden. Vergelijkbare verbeteringen werden waargenomen voor het SANDI-model bij hoge b-waarden.

Betekenis en Claims
Het artikel claimt dat realistische modellering van ruisstatistieken in gesimuleerde trainingsdata essentieel is voor onbevooroordeelde supervised microstructuur-schatting in dMRI. Door expliciet de signal-domain covariate shift aan te pakken—het afstemmen van het gemiddelde en de variantie van trainingssignalen op die van de inferentie-data—mitigeert het voorgestelde RNS-framework de systematische bias die typisch de supervised ML-benaderingen in lage-SNR-regimes teistert.

De auteurs argumenteren dat eerdere toeschrijvingen van hogere bias in supervised ML (relatief aan NLLS) aan samplingstrategieën mogelijk heroverwogen moeten worden, aangezien hun resultaten aantonen dat supervised estimators de bias-prestaties van klassieke NLLS kunnen evenaren wanneer de trainingsdistributie statistisch consistent is met de experimentele condities. De studie benadrukt dat hoewel het ontwerp van de parameterdistributie belangrijk is, een nauwkeurige modellering van de input-signaaldistributie (specifiek de magnitude-geïnduceerde bias en de effectieve ruisvariantie) een kritieke voorwaarde is voor robuuste en onbevooroordeelde inferentie, met name voor geavanceerde microstructuurmodellen die opereren onder uitdagende acquisitiecondities.