[论文解读] Automatic diagnosis of schizophrenia and attention deficit hyperactivity disorder in rs-fMRI modality using convolutional autoencoder model and interval type-2 fuzzy regression

Afshin Shoeibi, Navid Ghassemi+8 more|arXiv (Cornell University)|May 31, 2022

EEG and Brain-Computer Interfaces参考文献 129被引用 70

一句话总结

该论文提出了一种新颖的深度学习与模糊逻辑框架，用于利用静息态功能磁共振成像（rs-fMRI）数据对精神分裂症（SZ）和注意力缺陷多动障碍（ADHD）进行自动诊断。该方法采用定制的二维卷积自编码器（CNN-AE）进行特征提取，并引入一种通过灰狼优化（GWO）优化的区间类型-2模糊回归（IT2FR）分类器，在区分健康对照组、SZ和ADHD患者方面实现了72.71%的准确率。

ABSTRACT

Nowadays, many people worldwide suffer from brain disorders, and their health is in danger. So far, numerous methods have been proposed for the diagnosis of Schizophrenia (SZ) and attention deficit hyperactivity disorder (ADHD), among which functional magnetic resonance imaging (fMRI) modalities are known as a popular method among physicians. This paper presents an SZ and ADHD intelligent detection method of resting-state fMRI (rs-fMRI) modality using a new deep learning method. The University of California Los Angeles dataset, which contains the rs-fMRI modalities of SZ and ADHD patients, has been used for experiments. The FMRIB software library toolbox first performed preprocessing on rs-fMRI data. Then, a convolutional Autoencoder model with the proposed number of layers is used to extract features from rs-fMRI data. In the classification step, a new fuzzy method called interval type-2 fuzzy regression (IT2FR) is introduced and then optimized by genetic algorithm, particle swarm optimization, and gray wolf optimization (GWO) techniques. Also, the results of IT2FR methods are compared with multilayer perceptron, k-nearest neighbors, support vector machine, random forest, and decision tree, and adaptive neuro-fuzzy inference system methods. The experiment results show that the IT2FR method with the GWO optimization algorithm has achieved satisfactory results compared to other classifier methods. Finally, the proposed classification technique was able to provide 72.71% accuracy.

研究动机与目标

• 为解决SZ和ADHD临床诊断中主观性强、耗时长且易出错的挑战，开发一种自动化、客观且准确的计算机辅助诊断系统（CADS）。
• 通过一种新型的7卷积层二维卷积自编码器（CNN-AE）架构，提升rs-fMRI数据的特征表示能力。
• 提出一种新型的区间类型-2模糊回归（IT2FR）分类器，并通过元启发式算法优化，以增强在复杂、不确定的神经影像数据中的分类鲁棒性。
• 在真实rs-fMRI数据集上，评估所提方法与多种最先进机器学习和模糊推理系统的性能对比。
• 提供一种临床适用的工具，支持通过非侵入性fMRI成像实现SZ和ADHD的早期且准确的诊断。

提出的方法

• 该方法使用UCLA的rs-fMRI数据集，其中包含健康对照组（HC）、SZ和ADHD患者的数据。
• 使用FMRIB软件库（FSL）工具箱对数据进行预处理，以实现标准化和数据清洗。
• 从预处理后的数据中提取118×118大小的功能连接矩阵，并将其转换为2D图像，作为CNN-AE的输入。
• 训练一个具有7个卷积层的定制2D CNN-AE，端到端学习功能连接模式的分层、紧凑表示。
• 使用一种新型的区间类型-2模糊回归（IT2FR）模型对提取的特征进行分类，该模型通过灰狼优化（GWO）、遗传算法（GA）和粒子群优化（PSO）进行优化。
• 采用十折交叉验证，以确保分类模型的鲁棒性与泛化能力。

实验结果

研究问题

• RQ1 定制的2D卷积自编码器能否有效从rs-fMRI功能连接矩阵中提取用于SZ和ADHD分类的判别性特征？
• RQ2 所提出的区间类型-2模糊回归（IT2FR）模型是否在从rs-fMRI数据诊断SZ和ADHD方面优于传统机器学习和类型-1模糊分类器？
• RQ3 在将IT2FR与GWO、GA或PSO结合用于此分类任务时，哪种元启发式优化技术能取得最佳性能？
• RQ4 与仅区分SZ vs. HC或ADHD vs. HC的现有最先进方法相比，所提出的CADS在区分三类（HC、SZ、ADHD）时的准确率如何？
• RQ5 从rs-fMRI数据中提取的功能连接模式在多大程度上反映了SZ和ADHD已知的神经生物学差异？

主要发现

• 所提出的IT2FR-GWO分类器在所有评估方法中取得了最高的分类准确率72.71%，包括MLP、KNN、SVM、随机森林、决策树以及基于ANFIS的模型。
• 2D CNN-AE用于特征提取与IT2FR-GWO用于分类的结合，显著提升了诊断性能，优于基线模型。
• 所提方法优于现有最先进方法，尤其是当这些方法仅区分两类（如HC vs. SZ或HC vs. ADHD）时，本方法能有效区分三类：HC、SZ和ADHD。
• 采用区间类型-2模糊逻辑有效捕捉了rs-fMRI数据中的不确定性，增强了在个体间差异和噪声信号存在下的鲁棒性。
• 通过CNN-AE模型提取的功能连接模式揭示了HC、SZ和ADHD患者之间脑网络连接性的显著差异，与先前神经影像学文献一致。
• 结果表明，将深度学习与先进模糊推理及元启发式优化相结合，是实现复杂脑部疾病自动化、准确且可靠诊断的有前景路径。