[论文解读] A Survey on Deep Learning for Neuroimaging-based Brain Disorder Analysis

Li Zhang, Mingliang Wang+2 more|arXiv (Cornell University)|May 10, 2020

Functional Brain Connectivity Studies参考文献 118被引用 7

一句话总结

本综述回顾了深度学习在基于神经影像学的脑部疾病分析中的应用，重点关注阿尔茨海默病、帕金森病、自闭症谱系障碍和精神分裂症。它评估了深度神经网络在分类、分割和多模态融合中的表现，突出展示了最先进性能，并指出了在数据填补、多模态整合以及多中心数据异质性方面的挑战。

ABSTRACT

Deep learning has been recently used for the analysis of neuroimages, such as structural magnetic resonance imaging (MRI), functional MRI, and positron emission tomography (PET), and has achieved significant performance improvements over traditional machine learning in computer-aided diagnosis of brain disorders. This paper reviews the applications of deep learning methods for neuroimaging-based brain disorder analysis. We first provide a comprehensive overview of deep learning techniques and popular network architectures, by introducing various types of deep neural networks and recent developments. We then review deep learning methods for computer-aided analysis of four typical brain disorders, including Alzheimer's disease, Parkinson's disease, Autism spectrum disorder, and Schizophrenia, where the first two diseases are neurodegenerative disorders and the last two are neurodevelopmental and psychiatric disorders, respectively. More importantly, we discuss the limitations of existing studies and present possible future directions.

研究动机与目标

• 提供对应用于神经影像学脑部疾病诊断的深度学习技术的全面综述。
• 分析深度神经网络在分类和分割四种主要脑部疾病（阿尔茨海默病、帕金森病、自闭症谱系障碍和精神分裂症）脑部图像中的表现。
• 识别当前深度学习应用中的关键局限，包括数据稀缺、缺失数据填补以及多模态融合问题。
• 提出未来研究方向，以提升深度学习模型在神经影像学中鲁棒性、泛化能力及临床适用性。

提出的方法

• 调研用于神经影像分析的近期深度学习架构，如自编码器、U-Net和卷积神经网络。
• 评估深度学习方法在结构磁共振成像、功能磁共振成像、正电子发射断层扫描及其他神经影像模态中的分类、检测、分割和配准任务中的表现。
• 分析数据级、决策级和中间层融合策略，用于整合多模态神经影像数据（如MRI与PET）。
• 研究无监督和弱监督方法，以从有限或不完整的神经影像数据中学习表征。
• 考察利用深度网络通过互补模态（如MRI）填补缺失神经影像（如缺失的PET扫描）的应用。
• 提出需要端到端的深度学习框架，以在多中心神经影像数据中联合学习可迁移特征和自适应分类器。

实验结果

研究问题

• RQ1 深度学习模型在分类脑部疾病神经影像数据方面与传统机器学习相比表现如何？
• RQ2 在神经影像学中，哪些最有效的深度神经网络架构适用于分割和分类？
• RQ3 如何利用深度学习有效填补缺失的神经影像数据（如通过MRI填补缺失的PET扫描）？
• RQ4 在不同表征层次上，融合多模态神经影像数据（如MRI与fMRI）的最佳策略是什么？
• RQ5 如何使深度学习模型对多中心神经影像数据集中的跨中心差异具有鲁棒性？

主要发现

• 深度学习模型在使用神经影像数据分类阿尔茨海默病和帕金森病等脑部疾病方面已达到最先进性能。
• U-Net及其类似架构在神经影像中分割脑部结构和病灶方面表现出色。
• 能够学习分层表征的端到端深度学习框架，优于依赖手工特征的传统方法。
• 利用深度生成模型填补缺失神经影像数据（如从MRI推断PET）显示出前景，但影像数据与非影像数据之间的对应关系仍研究不足。
• 在模态间学习表征的中间层融合，相较于数据级或决策级融合，提供了更灵活且强大的替代方案。
• 从异质性多中心神经影像数据中实现鲁棒学习仍是挑战，亟需能够联合学习可迁移特征和自适应分类器的模型。