[論文紹介] 3DCNNによる言語処理領域の手術前特定

今回は『Mapping of the Language Network With Deep Learning』という論文の紹介をしたいと思います。

Abstract

• 脳腫瘍の切除手術前には、Task fMRI (T-fMRI) による Eloquent Cortex の特定が行われます。

• Resting state fMRI (RS-fMRI) は、その代替方法として調査が進められています。

• 従来の T-fMRI による方法と RS-fMRI に 3DCNN¹ を用いた方法を比較し、どちらも言語処理の主要領域を特定することができました。

• 3DCNN は少量の RS-fMRI データにも適用可能でした。

Introduction

脳腫瘍の治療おいて、脳神経外科医は「腫瘍切除の利益」と「機能障害のリスク」とのバランスをとらなければなりません。この２つの要因は、長期生存の要因とされているため、脳機能の領域特定が重要です。最も効果的な方法は手術中の刺激による特定ですが、補助的に手術を最適化するために fMRI が用いられています。

ここでは、２つの fMRI 取得法を取り上げます。

• Task fMRI (T-fMRI)： 刺激を呈示したり、タスクを課したりする。
• Resting state fMRI (RS-fMRI)：刺激やタスクを与えない。取得が簡単で、患者の協力を必要としない²。

この研究では、3DCNN を RS-fMRI に用いた方法と、従来の T-fMRI を用いた方法で、言語システムの特定結果を比較しています。Neurosynth のメタ解析データを正解として、3DCNN & RS-fMRI の有効性と T-fMRI との比較を行います。

Materials and Methods

被験者

• WUSMの脳神経外科で収集されたデータ³。
• 原発性脳腫瘍診断における術前MRIスキャンの必要性を目的として調査された。
• N = 35 人（23 - 71 歳）⁴

MRI撮像条件

• T1w, T2w 構造画像, FLAIR, SWI
• Task fMRI
  • EPI: 3 $\times$ 3 $\times$ 3 mm, TR = 2.2 s
  • 言語タスク（最初に呈示された文字から単語を作るタスク）
  • 5 task/rest blocks: 3 min 40 s
• Resting state fMRI
  • EPI: 3 $\times$ 3 $\times$ 3 mm, TR = 2.2 s
  • 11 min 44 s

前処理

4dfp を使用して、RS-fMRIとT-fMRIで同じ前処理を行いました。

• スライスタイミング補正、頭部動きの剛体補正、重ね合わせ
• 空間スムージング (6 mm FWHM)、線形トレンド除去、ローパスフィルター ($\lt$ 0.1 Hz)
• 全脳・白質・脳脊髄液の信号と頭部動きパラメーターの回帰
• Censoring (0.5 % 変動)、正規化

T-fMRIは、GLMにかけて統計マップを計算し 10 mm ガウスフィルターをかけました。RS-fMRIは、T-fMRIに合わせて100フレームを選択しました。視覚化には Connectome Workbench を用いました。

畳み込みニューラルネットワーク

1. 学習

• 様々なデータセットから集めた RS-fMRI データ
• N = 2,795 人 $\to$ n = 268,000 samples
• Hacker et al. (2013) の 169 ROIs (11 Networks)
• 3D DenseNet（Matlabで実装）
• 各 ROI を 11 個のネットワークに分類した。

2. テスト

3DCNNの出力した言語ネットワーク⁵の確率マップをスムージングして、GLMの結果と比較しました。

言語処理のROI

Neurosynth で "language comprehension" と調べたメタ分析データを処理して、左半球に限定した言語処理の活性化マップを作成しました。ブローカ野とウェルニッケ野が中心的に活性化されています。

統計分析

それぞれの統計マップを正規化し、被験者間で平均を取って言語ネットワークを検出しました。更に、Bootstrap法を用いてROC曲線のAUCを比較しました⁶。

Results

言語処理の平均マップ

図１は、集団レベルの言語ネットワークを示しています。T-fMRIとRS-fMRIはどちらもブローカ野とウェルニッケ野を明確に検出します。また、100フレームだけでもロバストな結果を示しています（図1B）。

２つの方法の決定的な違いは、T-fMRIにおける言語処理タスクが、言語関連領域に加えて、言語に関連しない領域を活性化させることです。

Neurosynthとの比較

ブローカ野とウェルニッケ野のROC曲線は図３のようになりました。両方の領域で、3DCNN & RS-fMRI のAUCが高くなっています。

3DCNN & RS-fMRI の適用事例

事例１

左大脳基底核に腫瘍のある患者の例です。T-fMRI や 3DCNN & RS-fMRI で検出した言語領域（図4C,D）と腫瘍の場所が重なっていることがわかります。

事例２

左前頭葉に腫瘍のある患者の例です。3DCNN & RS-fMRI で検出した言語領域（図5C）の方が腫瘍の場所が重なっていることがわかります。

Discussion

RS-fMRI に 3DCNN を適用して言語処理領域を特定することができ、Neurosynthのメタ分析結果とも大きく一致していました。

T-fMRIに特有な活性化領域を考察します。これらは、タスクの性質によって活性化していると考えられます。

• dorsal anterior cingulate (dACC), right anterior insula
  • salience network (SN) の一部
  • 目標志向の行動に関与する
• left superior parietal lobule, left middle frontal gyrus
  • dorsal attention network (DAN) や fronto-parietal control network (FPC) の一部
  • 空間的注意や目標志向の分析に関与する

こういった区別は、言語処理とタスク処理の領域を区別することができ、術中の情報として利用する価値があります。

この研究の制限として次が挙げられています。

• どの方法が"個人"の言語処理領域を最も正確に同定するかは分からない。
• 腫瘍による歪みの影響は分からない。
• 明確な比較には経過観察が必要となる。

Conclusion

• RS-fMRIデータの3DCNN分析によって、脳腫瘍患者の言語ネットワークを正確かつ具体的に特定できた。
• この方法は、限られた量のデータでロバストな結果となった。
• 将来的に、手術前の領域特定が改善されると予想している。