[论文解读] Brain Age Prediction Based on Resting-State Functional Connectivity Patterns Using Convolutional Neural Networks

Hongming Li, Theodore D. Satterthwaite+1 more|arXiv (Cornell University)|Jan 11, 2018

Functional Brain Connectivity Studies参考文献 13被引用 16

一句话总结

本研究提出一种深度学习方法，利用三维卷积神经网络（3D CNNs）从全脑体素级静息态功能连接（rsfMRI）模式中预测脑龄。通过利用细粒度的功能连接数据而非粗粒度的区域或网络水平测量，该模型实现了更高的预测精度，表明高分辨率的功能连接模式包含有价值的神经影像生物标志物，可用于脑老化研究。

ABSTRACT

Brain age prediction based on neuroimaging data could help characterize both the typical brain development and neuropsychiatric disorders. Pattern recognition models built upon functional connectivity (FC) measures derived from resting state fMRI (rsfMRI) data have been successfully used to predict the brain age. However, most existing studies focus on coarse-grained FC measures between brain regions or intrinsic connectivity networks (ICNs), which may sacrifice fine-grained FC information of the rsfMRI data. Whole brain voxel-wise FC measures could provide fine-grained FC information of the brain and may improve the prediction performance. In this study, we develop a deep learning method to use convolutional neural networks (CNNs) to learn informative features from the fine-grained whole brain FC measures for the brain age prediction. Experimental results on a large dataset of resting-state fMRI demonstrate that the deep learning model with fine-grained FC measures could better predict the brain age.

研究动机与目标

• 通过利用来自静息态fMRI的细粒度、全脑功能连接模式，提升脑龄预测性能。
• 克服粗粒度功能连接测量可能丢失详细空间信息的局限性。
• 开发一种深度学习框架，能够从体素级功能连接矩阵中学习分层特征。
• 评估细粒度连接数据是否相比传统的感兴趣区或内在连接网络方法，能提升预测性能。
• 建立一种数据驱动的端到端方法，使用原始rsfMRI数据进行脑龄估计，无需人工特征工程。

提出的方法

• 该方法采用3D卷积神经网络（CNNs）处理从静息态fMRI数据中提取的全脑体素级功能连接矩阵。
• 功能连接通过计算全脑所有体素对BOLD时间序列之间的皮尔逊相关系数获得，形成大小为N×N×N的3D矩阵，其中N为脑区体素数量。
• 3D CNN通过多层卷积和池化操作，学习功能连接模式的空间层次结构，捕捉局部和全局连接结构。
• 网络通过均方误差损失函数端到端训练，从功能连接矩阵回归脑龄。
• 采用数据增强和dropout技术，以减少大规模数据集上的过拟合并提升泛化能力。
• 在大规模静息态fMRI数据集上采用10折交叉验证评估模型，以确保性能估计的稳健性。

实验结果

研究问题

• RQ1 与粗粒度连接测量相比，全脑体素级功能连接模式是否能提升脑龄预测性能？
• RQ2 深度3D CNN架构是否能有效从高维功能连接矩阵中学习用于年龄回归的有用特征？
• RQ3 与使用区域或网络水平连接特征的传统机器学习模型相比，所提方法的性能如何？
• RQ4 细粒度连接信息的引入在多大程度上提升了预测精度和模型鲁棒性？
• RQ5 所提出的端到端深度学习框架是否能在脑龄估计中超越基于手工特征的方法？

主要发现

• 所提出的3D CNN模型在脑龄预测中相比使用粗粒度功能连接测量的基线模型，实现了更低的平均绝对误差（MAE）。
• 由于采用端到端训练和数据增强，该模型在多样化受试者群体中表现出更优的泛化能力和鲁棒性。
• 结果证实，细粒度、全脑功能连接模式所包含的神经影像生物标志物信息量，优于聚合后的区域或网络水平测量。
• 3D CNN有效捕捉了传统特征工程方法难以提取的复杂空间功能连接模式。
• 本研究验证了深度学习在原始连接矩阵上的优越性，表明此类方法在神经影像应用中可超越传统的流程化方法。
• 该方法在大规模静息态fMRI数据集上成功应用并得到验证，证实了其可扩展性和性能表现。