科研简讯基于图卷积神经网络的阿尔茨海默病早期诊断研究

Posted 2021-04-03 医学图像计算青年研讨会

MICS科研简讯第二十六期

研究背景介绍

今天为大家介绍一篇基于图卷积神经网络的阿尔茨海默病早期阶段诊断研究的工作。对阿尔茨海默病早期阶段（即轻度认知障碍）的检测对于最大化延缓或预防进展为阿尔茨海默病非常重要，利用机器学习进行自动诊断近年来得到广泛的关注和认可。其中脑网络的构建原理尚未得到充分认识，并且受限于小样本识别精度往往不高。对此今天向大家介绍发表在MIA上的一篇研究论文。

文章信息

Xuegang Song, Feng Zhou, Alejandro F Frangi, Jiuwen Cao, Xiaohua Xiao, Yi Lei, Tianfu Wang, Baiying Lei, 2020. Graph convolution network with similarity awareness and adaptive calibration for disease-induced deterioration prediction. Medical image analysis. 69, 101947.

发表链接： https://authors.elsevier.com/a/1cKd9_UzlO0Nnd

1. 问题背景

fMRI数据及DTI数据广泛应用于阿尔茨海默病及其早期诊断的研究。虽然脑功能网络的构建得到了广泛的研究，但是由于样本数量的不足，噪声对最终的识别结果会产生很大的影响。虽然脑结构网络相对于脑功能网络更加稳定，但是小样本问题依然限制其识别精度。总之，融合多模态数据及解决噪声问题是提高识别精度的一个关键。对此本文提出了基于图卷积神经网络的分类算法，利用图结构的卷积滤波功能抑制噪声，并融合功能脑网络及结构脑网络进行最终的分类。

2. 技术方案

基于现有的图卷积神经网络，针对fMRI数据及DTI数据的特点，本文提出了3个改进技术来提高图卷积的滤波效果，并综合双模态GCN的分类结果做最终的判断。(1): 相似性技术。现有的图结构包含了训练样本和测试样本，利用群体的特征对每个subject的特征进行卷积滤波，其卷积滤波系数为边的权重，因此权重的大小对卷积滤波的效果起到了关键的作用。现有的图卷积网络算法忽略的训练样本疾病状态的影响，因此本文提出了相似性算法，具体为：针对训练样本，卷积范围局限于同种状态的样本之间。也就是说，对正常的subject, 只利用所有正常subject的特征对其进行卷积滤波，同样对患病的subject, 只利用所有患病subject的特征对其进行卷积滤波。(2): 自适应技术。上面提出的相似性技术考虑了疾病状态，对卷积的范围进行了限制。针对现有算法对权重设置的不足，本文提出了自适应技术改善权重。具体为：利用现有的方法对权重进行初始化，进而利用训练样本对GCN进行预训练，然后利用预训练好的GCN对每个subject进行分类评估并根据评估结果重新构造边权重，最后再次训练GCN并利用其对测试样本进行分类。(3): 多模态平衡技术。上述两个技术依次改进了卷积滤波功能，针对功能数据和结构数据得到的两个GCN，本文进而提出了平衡技术来构造一个更加稳定的边权重。具体为：利用Hadamard将两个邻接矩阵进行综合。整体流程图如图1所示。

图1：提出的早期阿尔茨海默病自动诊断模型的流程图

3. 实验及结果

实验结果表明本文提出的三个技术显著提高了最终的分类结果。其对top 10特征的滤波效果如图2所示，结果表明滤波后的特征噪声得到明显的抑制。图卷积神经网络的一个重要优点是它可以结合表型信息(采集设备、性别及年龄等)，实验结果表明，在图的构建当中考虑表型信息可以明显改善最终的分类结果。在讨论部分总结得到：图卷积神经网络的滤波功能可以显著的抑制噪声，其滤波功能经过本文的相似性觉醒技术和自适应技术改良后可以得到明显提升，提出的平衡技术可以改善滤波器的稳定性；提出的三种技术稀疏了邻接矩阵，提高了图卷积神经网络的计算速度；通过分析top 10 特征可以发现，不同的特征有不同的噪声水平，其不同疾病状态下的特征均值存在差异性。

图2：图卷积对fMRI功能特征的滤波效果图

参考文献

[1] Song, X., Zhou, F., Frangi, A., et al., 2020. Graph convolution network with similarity awareness and adaptive calibration for disease-induced deterioration prediction. Med. Image Anal. 69, 101947.

[2] Lei, B., Cheng, N., Frangi, A.F., et al., 2020. Self-calibrated brain network estimation and joint non-convex multi-task learning for identification of early Alzheimer's disease. Med. Image Anal. 61, 101652.

[3] Yu, S., Wang, S., Xiao, X., et al., 2020. Multi-scale enhanced graph convolutional network for early mild cognitive impairment detection. In: International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, pp. 228-237.

[4] Song, X., Frangi, A., Xiao, X., et al., 2020. Integrating similarity awareness and adaptive calibration in graph convolution network to predict disease. In: International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, pp. 124-133.

[5] Cheng, N., Frangi, A., Zhang, Z., et al., 2020. Self-weighted multi-task learning for subjective cognitive decline diagnosis. In: International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, pp. 104-113.

 

指导教师：雷柏英（深圳大学）

本期责任编辑：王洪凯（大连理工大学）

---

医学图像计算青年研讨会（Medical Imaging Computing Seminar，MICS）创立于2014年，其宗旨是为医学图像领域的华人青年学者提供学术交流平台，增进相互之间的了解和友谊，帮助青年学者融入学术研究大家庭。MICS聚焦于近两年内的医学图像计算领域原创研究，欢迎医学图像处理、计算机视觉、人工智能等新理论、新方法、新应用的展示，以及影像与临床医学、基础医学深度交叉的突破性进展报告。首届MICS在医学图像领域著名学者、北卡罗来纳大学教堂山分校沈定刚教授（现为上海科技大学教授）的倡议下，于2014年12月在深圳大学举行。经过2015（济南）、2016（广州）、2017（上海）、2018（南京）、2019（苏州）、2020（大连-在线）的蓬勃发展，MICS从参会人数不足百人到吸引几千名专家学者参与，已迅速成为全国医学图像计算领域最具影响力的活动之一。2021年的MICS会议将在西安举办，欢迎全球同道专家和同学共聚学术盛宴！