[论文解读] A novel framework for automatic detection of Autism: A study on Corpus Callosum and Intracranial Brain Volume.

Hamza Sharif, Rizwan Ahmed Khan|arXiv (Cornell University)|Mar 27, 2019

Brain Tumor Detection and Classification被引用 13

一句话总结

本研究提出了一种新颖的机器学习框架，利用ABIDE数据集中s-MRI数据提取的胼胝体和颅内脑容量特征，自动检测自闭症谱系障碍（ASD）。通过计算特征权重以提升模型性能，该框架在ASD检测中实现了更高的准确率，展示了计算机视觉与机器学习在神经影像学诊断中的潜力。

ABSTRACT

Computer vision and machine learning are the linchpin of field of automation. The medicine industry has adopted numerous methods to discover the root causes of many diseases in order to automate detection process. But, the biomarkers of Autism Spectrum Disorder (ASD) are still unknown, let alone automating its detection, due to intense connectivity of neurological pattern in brain. Studies from the neuroscience domain highlighted the fact that corpus callosum and intracranial brain volume holds significant information for detection of ASD. Such results and studies are not tested and verified by scientists working in the domain of computer vision / machine learning. Thus, in this study we have applied machine learning algorithms on features extracted from corpus callosum and intracranial brain volume data. Corpus callosum and intracranial brain volume data is obtained from s-MRI (structural Magnetic Resonance Imaging) data-set known as ABIDE (Autism Brain Imaging Data Exchange). Our proposed framework for automatic detection of ASD showed potential of machine learning algorithms for development of neuroimaging data understanding and detection of ASD. Proposed framework enhanced achieved accuracy by calculating weights / importance of features extracted from corpus callosum and intracranial brain volume data.

研究动机与目标

• 通过探索与ASD相关的神经影像学特征，解决自闭症谱系障碍（ASD）缺乏已知生物标志物的问题。
• 弥合神经科学发现与ASD检测中机器学习应用之间的差距。
• 开发一种基于结构磁共振成像（s-MRI）数据自动检测ASD的机器学习框架。
• 通过基于胼胝体和颅内脑容量特征重要性的权重计算，提升检测准确率。
• 在ABIDE数据集的真实神经影像学数据上，验证特征工程与学习算法的有效性。

提出的方法

• 本研究以ABIDE数据集中的结构磁共振成像（s-MRI）数据为主要数据源。
• 从两个关键神经解剖区域提取特征：胼胝体和颅内脑容量。
• 应用机器学习算法，基于提取的特征对ASD受试者与对照组进行分类。
• 计算特征重要性以分配权重，优化模型的预测性能。
• 该框架整合了计算机视觉技术用于特征提取，以及机器学习模型用于分类。
• 采用标准机器学习指标对方法进行评估，以衡量准确率与鲁棒性。

实验结果

研究问题

• RQ1 来自胼胝体和颅内脑容量的特征是否能提升s-MRI数据中ASD的自动检测效果？
• RQ2 当使用s-MRI扫描的神经解剖学特征进行训练时，机器学习模型在ASD分类中的有效性如何？
• RQ3 特征加权在多大程度上提升了ASD检测模型的准确率？
• RQ4 机器学习框架能否有效利用神经科学识别的生物标志物实现ASD诊断？
• RQ5 与基线方法相比，所提出的框架在分类性能方面表现如何？

主要发现

• 所提出的框架通过计算并利用基于重要性的特征权重，成功提升了检测准确率。
• 整合胼胝体和颅内脑容量特征显著增强了模型区分ASD与神经发育正常受试者的能力。
• 本研究证明，当结合神经科学指导的特征时，机器学习模型能够有效解读神经影像学数据以实现ASD检测。
• 该框架在通过数据驱动的特征优化推动自动化ASD检测方面展现出巨大潜力。
• 结果验证了将计算机视觉与机器学习结合神经影像学数据用于临床应用的潜力。
• 该方法为未来基于公开s-MRI数据集的ASD检测系统提供了一种可测试且可扩展的方法。