基于圖同構(gòu)網(wǎng)絡(luò)的自閉癥功能磁共振影像診斷算法

Basic information

南京大學(xué)學(xué)報(自然科學(xué)) 2021年 9月 第57卷 第5期

Contents

Background

• 目前自閉癥的發(fā)病機(jī)制尚不清晰，識別和診斷仍局限于臨床醫(yī)生通過量表方式對兒童的特征和行為表現(xiàn)進(jìn)行綜合評估。
• 現(xiàn)實中，構(gòu)建可靠的腦功能連接網(wǎng)絡(luò)的確定方法并不存在。

Concepts

• 圖表示法可用于對一組大腦區(qū)域之間的結(jié)構(gòu)或功能連接進(jìn)行建模，揭示與大腦發(fā)育和疾病有關(guān)的模式。
• 自閉癥譜系障礙(Autism Spectrum Disorder,ASD)是一種廣泛性神經(jīng)發(fā)育障礙疾病，主要癥狀為社會交流障礙、語言交流障礙、情感缺失和行為異常，病情嚴(yán)重者甚至無法進(jìn)行情感表達(dá)。
• WL(Weisfeiler-Lehman)測試在判斷兩個圖是否同構(gòu)時是非常有效的。
• 圖分類中，較小子圖的結(jié)構(gòu)信息可能捕捉圖的特征。

Key points

• 腦功能連接網(wǎng)絡(luò)是一個全連接權(quán)重網(wǎng)絡(luò)，為了降低網(wǎng)絡(luò)的連接密度采用不同的閾值M對連接圖進(jìn)行閾值化。(Zanin el al的研究指出閾值取值在[ 25％，75％]時的網(wǎng)絡(luò)連接密度，通常能獲得好的分類精度。)
• 通過對不同連通性的腦功能連接網(wǎng)絡(luò)圖進(jìn)行相似性評估，需要解決一個圖同構(gòu)的問題。
• 基于腦功能網(wǎng)絡(luò)的自閉癥診斷深度學(xué)習(xí)模型：
  • 基于自編碼方法：
    1. 思想：基于自編碼的方法使用不同的自編碼變化模型或者堆疊多個自編碼，用來降低數(shù)據(jù)維度，獲得數(shù)據(jù)中具有判別性的特征表示。
    2. 不足：基于自編碼方法將fMRI圖像的特征表示轉(zhuǎn)換為向量方式作為輸入，會導(dǎo)致腦功能連接網(wǎng)絡(luò)的空間信息丟失。
  • 基于卷積神經(jīng)網(wǎng)絡(luò)方法：(只能處理歐氏空間數(shù)據(jù))
    1. 3D-CNN(Convolutional Neural Network)[Li et al]：利用滑動窗口測量時間統(tǒng)計信息的同時捕獲腦功能連接網(wǎng)絡(luò)的空間結(jié)構(gòu)信息。
    2. 3D-CNN分類框架[Khosla et al]：將每個體素與腦區(qū)之間的功能連接作為輸入特征，保留圖像體素之間的空間信息，再使用集成學(xué)習(xí)消除不同腦區(qū)定義的影響，提高分類性能。
  • 基于圖神經(jīng)網(wǎng)絡(luò)方法：(無法區(qū)分兩個具有不同領(lǐng)域結(jié)構(gòu)但有相同計算圖的節(jié)點。)
    1. 孿生圖卷積網(wǎng)絡(luò)(Graph Converlutional Network,GCN)[Ktena et al]：該模型允許將傳統(tǒng)卷積泛化到不規(guī)則的腦功能連接網(wǎng)絡(luò)上，并以圖結(jié)構(gòu)數(shù)據(jù)形式來評估兩個圖之間的相似性。
    2. GNN模型：
       • 基于譜卷積的頻域圖卷積網(wǎng)絡(luò)：使每個聚合層去逼近譜濾波器。(通過卷積定理實現(xiàn)圖卷積以完成節(jié)點之間的信息聚合，并在聚合的結(jié)果上堆疊多個卷積層，進(jìn)而形成譜卷積神經(jīng)網(wǎng)絡(luò)。)
       • 基于鄰節(jié)點的空間域圖卷積網(wǎng)絡(luò)：利用節(jié)點的空間信息來實現(xiàn)領(lǐng)域的聚合。(根據(jù)節(jié)點在空間域的連通性來定義卷積操作。)
• 基于圖同構(gòu)(GIN)網(wǎng)絡(luò)的自閉癥fMRI診斷方法：
  1. 思想：包含四個GIN層，以節(jié)點的獨熱(one-hot)編碼標(biāo)簽和鄰接矩陣作為輸入，在每一層GIN，將節(jié)點特征更新為此節(jié)點的鄰接節(jié)點的特征和此節(jié)點在上一層GIN層激活值的聚合，再將聚合后的節(jié)點特征輸入多層感知機(jī)。
  2. 流程：利用fMRI影像構(gòu)建腦功能連接網(wǎng)絡(luò)作為模型輸入，該模型包含四層同構(gòu)層，每層分別學(xué)習(xí)得到腦功能連接網(wǎng)絡(luò)的特征表示。為了考慮腦網(wǎng)絡(luò)中節(jié)點的醫(yī)學(xué)意義，將節(jié)點特征通過展平方式轉(zhuǎn)換為圖特征，將每層學(xué)習(xí)得到的圖特征表示輸入全連接神經(jīng)網(wǎng)絡(luò)獲得當(dāng)前層的分類結(jié)果，最后集成隔層的分類結(jié)果得到最終分類結(jié)果。
     

Research deficts

• 多中心數(shù)據(jù)雖然增加了研究的樣本量大小和統(tǒng)計分析能力，但同時也會帶來數(shù)據(jù)異質(zhì)性問題困擾。

Future considerations

• 研究如何減少數(shù)據(jù)分布差異。(針對上述多中心數(shù)據(jù)存在的異質(zhì)性不足)