基于磁共振影像的深度學(xué)習(xí)在精神分裂診斷中的研究綜述

基于磁共振影像的深度學(xué)習(xí)在精神分裂診斷中的研究綜述焦玉宏

邢耀麟

張凡

李賀杰

譚穎（通訊作者）西南民族大學(xué),四川

,成都,610041摘要：精神分裂癥是一種嚴重的精神疾病，目前尚無明確的生物標(biāo)志物，難以精準治療。深度學(xué)習(xí)最近被用于神經(jīng)圖像的分析，并在計算機輔助診斷大腦疾病方面取得了比傳統(tǒng)機器學(xué)習(xí)顯著的性能改進。本文綜述了深度學(xué)習(xí)方法在精神分裂癥診斷中的應(yīng)用。首先通過介紹各種類型的深度神經(jīng)網(wǎng)絡(luò)和最新的發(fā)展，對深度學(xué)習(xí)技術(shù)和流行的網(wǎng)絡(luò)結(jié)構(gòu)進行了全面的概述。然后，回顧了用于精神分類癥輔助診斷的深度學(xué)習(xí)方法。最后，本文討論了現(xiàn)有研究的局限性，并提出了未來可能的方向。關(guān)鍵字：精神分裂癥；深度學(xué)習(xí)；分類；磁共振成像1引言精神分裂癥（SZ）是一種常見且可遺傳的精神疾病，其終身患病率約為1%[1]，給患者家庭和社會帶來了沉重的負擔(dān)。磁共振影像是一種能夠反映大腦解剖結(jié)構(gòu)或功能的客觀非侵入的成像方式，常用于腦部疾病診斷[2]。在臨床實踐中，醫(yī)學(xué)圖像的詳細解釋需要臨床醫(yī)生等人類專家進行。然而，對于數(shù)量龐大的醫(yī)學(xué)圖像，解釋不僅耗時，而且容易受到人類專家的偏見和潛在疲勞的影響。因此，開發(fā)基于磁共振影像的深度學(xué)習(xí)算法輔助醫(yī)生進行精神分裂癥的診斷是十分有必要的。機器學(xué)習(xí)能夠從數(shù)據(jù)中提取能夠很好地描述內(nèi)在模式的信息特征，在醫(yī)學(xué)圖像分析中發(fā)揮著至關(guān)重要的作用。然而，醫(yī)學(xué)圖像的結(jié)構(gòu)非常復(fù)雜，特征選擇步驟仍然是由人類專家根據(jù)其特定領(lǐng)域的知識進行的。這給非專家在醫(yī)學(xué)圖像分析中使用機器學(xué)習(xí)技術(shù)帶來了挑戰(zhàn)。深度學(xué)習(xí)算法能夠自動地學(xué)習(xí)最佳表征數(shù)據(jù)的特征，緩解了機器學(xué)習(xí)的局限性。研究者通過將醫(yī)學(xué)數(shù)據(jù)導(dǎo)入，利用深度學(xué)習(xí)學(xué)習(xí)重要特征構(gòu)建相關(guān)的模型并且利用模型實現(xiàn)對個體的預(yù)測。2深度學(xué)習(xí)在這一部分中，本文介紹了文獻中基本的深度學(xué)習(xí)模型的基本概念，這些模型已經(jīng)被廣泛應(yīng)用于醫(yī)學(xué)圖像分析，特別是人腦疾病的診斷。2.1前饋神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)旨在通過模仿生物神經(jīng)網(wǎng)絡(luò)的功能方式來模擬智能行為。最簡單的人工神經(jīng)網(wǎng)絡(luò)是單層架構(gòu)，由輸入層和輸出層組成。然而，人工神經(jīng)網(wǎng)絡(luò)是一種線性分類器，只能處理線性可分問題。多層感知器在輸入層和輸出層之間引入了多個隱藏層，利用非線性激活函數(shù)對每個輸出進行非線性變化，從而解決非線性問題。2.2卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)（CNN）是深度學(xué)習(xí)的一個重要分支，廣泛用于目標(biāo)檢測和分類等任務(wù)。計算機視覺的典型剪輯神經(jīng)網(wǎng)絡(luò)一般包含三層：卷積層，池化層和全連接層。卷積層和池化層穿插在一起。卷積層通過卷積好熱對特征圖進行局部感知和權(quán)值共享。為了考慮非線性的問題，在卷積層的輸出端通常引入激活函數(shù)進行非線性映射。池化層是一種下采樣操作，用于減小數(shù)據(jù)維度，降低運算復(fù)雜度。全連接層將二維或三維特征圖映射到一維特征向量，實現(xiàn)精神分裂癥分類研究。2.3循環(huán)神經(jīng)網(wǎng)絡(luò)遞歸神經(jīng)網(wǎng)絡(luò)(RNN)是前饋神經(jīng)網(wǎng)絡(luò)的擴展，它能夠從序列和時間序列數(shù)據(jù)中學(xué)習(xí)特征和長期依賴關(guān)系。最流行的RNN架構(gòu)是長短期記憶網(wǎng)絡(luò)(LSTM)[47]，它由存儲單元、忘記門、輸入門和輸出門組成。存儲單元將相關(guān)信息一路傳送到序列鏈，并且這些門控制來自各種來源的激活信號，以決定向存儲單元添加和從存儲單元移除哪些信息。2.4圖卷積神經(jīng)網(wǎng)絡(luò)盡管卷積神經(jīng)網(wǎng)絡(luò)在從歐幾里德數(shù)據(jù)中提取潛在特征方面取得了巨大的成功，但從非歐幾里德領(lǐng)域產(chǎn)生的數(shù)據(jù)需要進行有效分析的各種應(yīng)用程序的數(shù)量正在迅速增加。研究人員直接借鑒卷積神經(jīng)網(wǎng)絡(luò)的想法來設(shè)計圖形卷積網(wǎng)絡(luò)（GCN）的架構(gòu)，以處理復(fù)雜的圖形數(shù)據(jù)。圖神經(jīng)網(wǎng)絡(luò)是將傳統(tǒng)數(shù)據(jù)轉(zhuǎn)換為圖形數(shù)據(jù)，然后將圖形結(jié)構(gòu)和節(jié)點內(nèi)容信息作為輸入。圖卷積層通過聚合相鄰節(jié)點的特征信息，在提取節(jié)點隱含表示中起著核心作用。圖合并層可以與GCN層交織，并將粗化圖交織成子圖，以便獲得粗化子圖上每個節(jié)點的更高圖級表示。在多個完全連通的層之后，使用Softmax輸出層來預(yù)測類別標(biāo)簽。3深度學(xué)習(xí)在基于磁共振影像的精神分裂癥診斷中的應(yīng)用根據(jù)數(shù)據(jù)的不同模態(tài)，本文將深度學(xué)習(xí)在精神分裂癥診斷中的應(yīng)用研究劃分為三類：基于結(jié)構(gòu)磁共振成像的方法，基于功能磁共振成像的方法和基于多模態(tài)數(shù)據(jù)的方法。1）基于結(jié)構(gòu)磁共振成像的方法結(jié)構(gòu)磁共振成像具有空間分辨率高的特點，可以為精神分裂癥檢測提供了有效的結(jié)構(gòu)信息。Pinaya等人通過提取大腦的皮層厚度和解剖結(jié)構(gòu)作為特征，基于深度置信網(wǎng)絡(luò)獲得了73.55%的分類準確率。Hu等人使用不同的CNN框架對精神分裂癥患者進行分類，結(jié)果表明3D-CNN可以充分學(xué)習(xí)結(jié)構(gòu)磁共振成像的結(jié)構(gòu)信息，得到比2D-CNN更優(yōu)的分類結(jié)果。Zhou等人利用8個影像中心的結(jié)構(gòu)磁共振成像數(shù)據(jù)構(gòu)建DNN模型，最終得到76.82%的分類準確度。Ulloaet等人利用獨立分量分析(ICA)和隨機變量抽樣方法從觀測數(shù)據(jù)中捕獲統(tǒng)計特性，設(shè)計了一個數(shù)據(jù)驅(qū)動的模擬器用于合成樣本，減輕了小樣本數(shù)據(jù)集對模型性能的影響，大大提高了對SZ患者和健康人分類的泛化能力。2）基于功能磁共振成像的方法功能磁共振成像刻畫了精神分裂癥患者在無任務(wù)狀態(tài)下的大腦功能異常模式，可為檢測精神分裂癥提供有效的功能連接信息。Patel等人使用了一個有四個隱藏層的自編碼器模型，分別對每個大腦區(qū)域進行訓(xùn)練，保留了更多的信息，取得了較好的分類性能。為了同時利用空間和時間信息，Dakkaet等人和Yanet等人分別提出了一種涉及CNN、LSTM和GRU的遞歸卷積神經(jīng)網(wǎng)絡(luò)。CNN提取空間特征，然后將其饋送到后續(xù)的RNN模型以學(xué)習(xí)時間依賴性。3）基于多模態(tài)數(shù)據(jù)的方法由于精神分裂癥的發(fā)病原因復(fù)雜，單一的影像學(xué)特征可能無法捕捉該疾病的異質(zhì)性，多模態(tài)數(shù)據(jù)的融合可以更好地挖掘不同模態(tài)特征的有用信息，從而提高精神分裂癥診斷的性能。Srinivasagopalan等人直接整合sMRI和fMRI特征訓(xùn)練一個三層的深度神經(jīng)網(wǎng)絡(luò)模型，實驗得到94.44%的分類準確度。Qi等人使用深度典型相關(guān)分析和深度典型相關(guān)自動編碼器融合多通道特征送入3層深度神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)精神分裂癥的分類。4局限性和未來展望盡管深度學(xué)習(xí)模型在基于神經(jīng)成像的腦功能障礙分析領(lǐng)域取得了巨大的成功，但仍有一些挑戰(zhàn)值得進一步研究。我們將這些潛在的挑戰(zhàn)總結(jié)如下，并探索可能的解決方案。首先，深度學(xué)習(xí)方法需要大量的樣本來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，而醫(yī)療圖像一直被認為是一種小數(shù)據(jù)集，遷移學(xué)習(xí)可以緩解深度學(xué)習(xí)中樣本偏少的問題。其次，在多模式神經(jīng)影像研究中，數(shù)據(jù)缺失問題是不可避免的，這可能是模型的性能處于次優(yōu)，因此，如何開發(fā)有效的多模態(tài)融合策略也是值得研究的問題。圖神經(jīng)網(wǎng)絡(luò)可以直接對大腦的拓撲結(jié)構(gòu)進行建模，在腦疾病診斷方面已經(jīng)取得了可喜的成果，但對精神分裂癥的診斷尚未得到應(yīng)用，可作為未來研究方向之一。5結(jié)語本文綜述了深度學(xué)習(xí)技術(shù)在基于神經(jīng)影像的精神分裂癥診斷中應(yīng)用和最新研究進展。分析了該領(lǐng)域的潛在挑戰(zhàn)和未來研究方向。隨著人類大腦疾病發(fā)病機制的更加清晰，深度學(xué)習(xí)技術(shù)的進一步發(fā)展，計算機輔助診斷將會成為未來精準醫(yī)療的有力支撐。參考文獻[1]蔡秋藝,陳昱璨,李建林,趙正凱,王燕.靜息態(tài)低頻振幅異常對精神分裂癥患者識別研究[J].磁共振成像,2021,12(10):45-48.[2]袁悅銘,張力,張治國.基于靜息態(tài)功能磁共振成像的動態(tài)