Voxelwise white-matter compositional connectivity mapping from diffusion MRI via reliability-aware hierarchical inference

한글 요약

확산 MRI 트랙토그래피(Diffusion MRI tractography)는 뇌 연결성의 비침습적 매핑을 가능하게 하지만, 일반적으로 영역 간(region-to-region) 그래프로 요약되어 백질 경로의 미세한 구조적 특징을 가리는 한계가 있다. 복셀 단위 연결 분포 지도(Voxelwise connection distribution maps, CDMs)는 각 복셀에서 해부학적 표적에 대한 트랙토그래피 기반 연결의 상대적 분포를 나타냄으로써 이러한 정보를 보존한다. 그러나 정규화된 스트림라인(streamline) 개수 프로파일은 잠재적인 스트림라인-표적 구성(composition)에 대한 노이즈가 섞인 추정치이며, 기존 접근법들은 그 불확실성을 정량화하지 못할 뿐만 아니라 집단(population) 정보를 활용해 개인별 추정치를 안정화하지도 못한다. 본 연구에서는 등거리 로그비(isometric log-ratio, ILR) 표현, 잠재적 개인 구성에 대한 계층적 경험적 베이즈(empirical-Bayes) 추론, 그리고 추론적 불확실성 및 개인-집단 지지도의 정량화를 통해 CDM을 확장한 '개인 맞춤형 연결 분포 매핑(individualized connection distribution mapping, iCDM)'을 제안한다. 개인의 스트림라인 개수는 우도(likelihood)를 정의하는 반면, 공간적으로 변화하는 집단 사전분포(prior)는 그룹 데이터로부터 추정된다. 이때 사전분포의 정밀도(precision)는 피험자 간 분산(dispersion)을 반영하며, 그 평균은 독립적으로 학습된 피험자 특성에 따라 조건화될 수 있다. 시뮬레이션 결과, 제안한 방법은 단순(naive) 추정치 및 디리클레-다항(Dirichlet–multinomial) 추정치보다 낮은 추정 오차를 보였으며, 피험자 특성이 상당한 변이를 설명하는 경우 특성 조건부 사전분포를 통해 추가적인 성능 향상을 얻을 수 있었다. 구성 추정치는 동일 트랙토그램 내 반분할 샘플링(split-half sampling)과 시딩(seeding) 및 스트림라인 총량(budget) 변화 테스트에서도 유사하게 유지되었다. 독립적인 재촬영(scan–rescan) 데이터에서 데이터 정보 지도(data-information maps)는 높은 재현성을 보였으며, 데이터 정보량이 클수록 구성 발산(compositional divergence)이 낮게 나타났다. 소아 코호트에서는 복셀 및 신경다발(tract) 수준에서 연령에 따른 구성 변이를 검출하였다. 뇌종양 환자의 경우, 사후 지지도(posterior support)는 병변 중심부에서 주로 집단 정보에 기반했으나, 병변으로부터 거리가 멀어질수록 개인 데이터에 대한 지지도가 높아지는 양상으로 전환되었다. 결론적으로 iCDM은 기초 및 임상 연구에서 집단 수준과 개인 맞춤형 분석 모두에 활용 가능한 불확실성 기반의 복셀 단위 연결성 추론을 제공한다.

Diffusion MRI tractography enables non-invasive mapping of brain connectivity but is commonly summarized as region-to-region graphs, obscuring the fine-grained organization of white-matter pathways. Voxelwise connection distribution maps (CDMs) preserve this information by representing the relative distribution of tractography-derived connections to anatomical targets at each voxel. However, normalized streamline-count profiles are noisy estimates of latent streamline–target compositions, and existing approaches neither quantify their uncertainty nor use population information to stabilize individual estimates. We propose individualized connection distribution mapping (iCDM), which extends CDM through an isometric log-ratio (ILR) representation, hierarchical empirical-Bayes inference of latent individual compositions, and quantification of inferential uncertainty and individual–population support. Individual streamline counts define the likelihood, while a spatially varying population prior is estimated from group data; its precision reflects between-subject dispersion, and its mean can be conditioned on independently learned subject characteristics. Simulations showed lower estimation error than naive and Dirichlet–multinomial estimates, with additional benefit from characteristic-conditioned priors when the characteristic explained substantial variation. Compositions remained similar under within-tractogram split-half sampling and tested changes in seeding and streamline budget. In independent scan–rescan data, data-information maps were reproducible, and greater data information was associated with lower compositional divergence. In a pediatric cohort, iCDM detected age-related compositional variation at voxel and tract levels. In tumor patients, posterior support shifted from predominantly population-based in lesion cores toward greater individual-data support with distance from the lesion. iCDM provides uncertainty-aware voxelwise connectivity inference for population-level and individualized analyses in basic and clinical research.