基于图同构网络的自闭症功能磁共振影像诊断算法

基于图同构网络的自闭症功能磁共振影像诊断算法

目录

• 基于图同构网络的自闭症功能磁共振影像诊断算法
• Basic information
• Contents
  • Background
  • Concepts
  • Key points
  • Research deficts
  • Future considerations

Basic information

南京大学学报(自然科学) 2021年 9月 第57卷 第5期

Contents

Background

• 目前自闭症的发病机制尚不清晰，识别和诊断仍局限于临床医生通过量表方式对儿童的特征和行为表现进行综合评估。
• 现实中，构建可靠的脑功能连接网络的确定方法并不存在。

Concepts

• 图表示法可用于对一组大脑区域之间的结构或功能连接进行建模，揭示与大脑发育和疾病有关的模式。
• 自闭症谱系障碍(Autism Spectrum Disorder,ASD)是一种广泛性神经发育障碍疾病，主要症状为社会交流障碍、语言交流障碍、情感缺失和行为异常，病情严重者甚至无法进行情感表达。
• WL(Weisfeiler-Lehman)测试在判断两个图是否同构时是非常有效的。
• 图分类中，较小子图的结构信息可能捕捉图的特征。

Key points

• 脑功能连接网络是一个全连接权重网络，为了降低网络的连接密度采用不同的阈值M对连接图进行阈值化。(Zanin el al的研究指出阈值取值在[ 25％，75％]时的网络连接密度，通常能获得好的分类精度。)
• 通过对不同连通性的脑功能连接网络图进行相似性评估，需要解决一个图同构的问题。
• 基于脑功能网络的自闭症诊断深度学习模型：
  • 基于自编码方法：
    1. 思想：基于自编码的方法使用不同的自编码变化模型或者堆叠多个自编码，用来降低数据维度，获得数据中具有判别性的特征表示。
    2. 不足：基于自编码方法将fMRI图像的特征表示转换为向量方式作为输入，会导致脑功能连接网络的空间信息丢失。
  • 基于卷积神经网络方法：(只能处理欧氏空间数据)
    1. 3D-CNN(Convolutional Neural Network)[Li et al]：利用滑动窗口测量时间统计信息的同时捕获脑功能连接网络的空间结构信息。
    2. 3D-CNN分类框架[Khosla et al]：将每个体素与脑区之间的功能连接作为输入特征，保留图像体素之间的空间信息，再使用集成学习消除不同脑区定义的影响，提高分类性能。
  • 基于图神经网络方法：(无法区分两个具有不同领域结构但有相同计算图的节点。)
    1. 孪生图卷积网络(Graph Converlutional Network,GCN)[Ktena et al]：该模型允许将传统卷积泛化到不规则的脑功能连接网络上，并以图结构数据形式来评估两个图之间的相似性。
    2. GNN模型：
       • 基于谱卷积的频域图卷积网络：使每个聚合层去逼近谱滤波器。(通过卷积定理实现图卷积以完成节点之间的信息聚合，并在聚合的结果上堆叠多个卷积层，进而形成谱卷积神经网络。)
       • 基于邻节点的空间域图卷积网络：利用节点的空间信息来实现领域的聚合。(根据节点在空间域的连通性来定义卷积操作。)
• 基于图同构(GIN)网络的自闭症fMRI诊断方法：
  1. 思想：包含四个GIN层，以节点的独热(one-hot)编码标签和邻接矩阵作为输入，在每一层GIN，将节点特征更新为此节点的邻接节点的特征和此节点在上一层GIN层激活值的聚合，再将聚合后的节点特征输入多层感知机。
  2. 流程：利用fMRI影像构建脑功能连接网络作为模型输入，该模型包含四层同构层，每层分别学习得到脑功能连接网络的特征表示。为了考虑脑网络中节点的医学意义，将节点特征通过展平方式转换为图特征，将每层学习得到的图特征表示输入全连接神经网络获得当前层的分类结果，最后集成隔层的分类结果得到最终分类结果。
     

Research deficts

• 多中心数据虽然增加了研究的样本量大小和统计分析能力，但同时也会带来数据异质性问题困扰。

Future considerations

• 研究如何减少数据分布差异。(针对上述多中心数据存在的异质性不足)