Работа стоит на отшибе: ближайшие соседи заняты МРТ предстательной железы, сегментацией медицинских изображений и слабым линзированием, а прямых аналогов по сглаживанию количественных карт мозга рядом нет. Вокруг уже сделано многое: показано, что количественная МРТ выявляет изменения за недели до рецидива глиомы, что возраст меняет миелин, железо и воду в мозге, что тканево-взвешенное сглаживание улучшает воспроизводимость. Но систематического сравнения разных способов сглаживания на одних и тех же данных не хватало.
Использовали открытый набор данных от 138 здоровых людей 19–75 лет: четыре количественные карты (MTsat, PD, R1, R2*) в стандартном пространстве. Каждую карту сгладили тремя способами: тканево-взвешенным (TWS), обобщённым тканево-специфичным (gTSPOON) и сохраняющим границы SUSAN. Затем для каждого варианта построили воксельные линейные модели с возрастом как фактором и учётом пола, объёма мозга и типа сканера. Проверили параметрический и непараметрический статистический вывод, а также сравнили карты по логарифму правдоподобия, Бланду–Альтману и метрикам сходства.
TWS и gTSPOON дали почти одинаковые пороги значимости и пространственные паттерны, но TWS нашёл больше значимых вокселей из-за чуть более сильного эффективного сглаживания. SUSAN показал более высокие пороги, меньше значимых вокселей, но больше кластеров: его эффективное сглаживание оказалось примерно вдвое слабее. Логарифм правдоподобия выявил, что TWS лучше всего работает в глубине серого и белого вещества, gTSPOON — на периферии, а SUSAN — на границах между тканями. Сходство между TWS и gTSPOON было высоким, особенно в белом веществе, а SUSAN заметно отличался, сильнее всего в сером веществе.
Работа отличается от соседей тем, что впервые систематически сравнивает три стратегии сглаживания на одних и тех же количественных МРТ-данных с оценкой локального качества модели. Соседние работы либо предлагают один метод, либо применяют сглаживание как рутинный шаг без такого сравнения. Здесь показано, что выбор сглаживания меняет статистическую топологию сильнее, чем выбор между параметрическим и непараметрическим выводом.
Можно развивать адаптивные или гибридные методы, которые выбирают оптимальное сглаживание воксель за вокселем по логарифму правдоподобия. Это позволит объединить сильные стороны тканево-взвешенного и сохраняющего границы подходов и повысить чувствительность к тонким изменениям в коре.
Результаты важны для продольных и мультицентровых исследований старения, рассеянного склероза и других состояний, где количественная МРТ используется для выявления микроструктурных изменений.
Проверить предложенный подход на независимых данных и других количественных параметрах, а также реализовать воксельно-адаптивный выбор сглаживания в открытом программном обеспечении.
Для количественной МРТ остаётся нерешённым вопрос о том, как отделить истинные биологические изменения от артефактов частичного объёма и шума. Эта работа показывает, что выбор сглаживания может маскировать или, наоборот, выявлять тонкие возрастные эффекты, и предлагает инструмент для локальной оценки этого выбора.
На картах MTsat в белом веществе тканево-взвешенное сглаживание нашло до 93 060 значимых вокселей, а SUSAN — только 63 340, хотя оба метода считаются «тканево-специфичными».
Работа опубликована не на arXiv. Здесь её страница, PDF и формализация: проверить можно самим, а не только прочитать наш разбор.