[论文解读] Correcting differences in multi-site neuroimaging data using Generative Adversarial Networks

Harrison Nguyen, Richard W. Morris+3 more|arXiv (Cornell University)|Mar 26, 2018

Advanced Neuroimaging Techniques and Applications参考文献 39被引用 4

一句话总结

该论文提出了一种基于生成对抗网络（GAN）的方法，用于在不预先知晓偏差来源的情况下，校正多中心结构磁共振成像（MRI）数据中的非线性、站点特异性差异。通过学习两个扫描仪站点之间的域不变变换，该模型在保留临床相关性信息的同时，显著降低了扫描仪引起的方差，与线性方法相比，显著提升了性别和精神分裂症诊断的分类准确率。

ABSTRACT

Magnetic Resonance Imaging (MRI) of the brain has been used to investigate a wide range of neurological disorders, but data acquisition can be expensive, time-consuming, and inconvenient. Multi-site studies present a valuable opportunity to advance research by pooling data in order to increase sensitivity and statistical power. However images derived from MRI are susceptible to both obvious and non-obvious differences between sites which can introduce bias and subject variance, and so reduce statistical power. To rectify these differences, we propose a data driven approach using a deep learning architecture known as generative adversarial networks (GANs). GANs learn to estimate two distributions, and can then be used to transform examples from one distribution into the other distribution. Here we transform T1-weighted brain images collected from two different sites into MR images from the same site. We evaluate whether our model can reduce site-specific differences without loss of information related to gender (male, female) or clinical diagnosis (schizophrenia, bipolar disorder, healthy). When trained appropriately, our model is able to normalise imaging sets to a common scanner set with less information loss compared to current approaches. An important advantage is our method can be treated as a black box that does not require any knowledge of the sources of bias but only needs at least two distinct imaging sets.

研究动机与目标

• 解决多中心神经影像研究中由扫描仪引起的变异问题，此类问题会削弱统计效能和可重复性。
• 开发一种事后、数据驱动的方法，对跨站点的MRI数据进行归一化，而无需了解偏差来源。
• 在减少T1加权脑部图像中的站点特异性伪影的同时，保留临床相关的信息（例如性别和诊断）。
• 证明深度生成模型（如GAN）在纠正复杂非线性站点差异方面优于传统线性方法或高斯过程回归。

提出的方法

• 训练一个条件生成对抗网络（cGAN），以学习从一个站点采集的T1加权MRI图像到目标站点图像分布的映射。
• 使用带有跳跃连接的U-Net生成器，以在图像转换过程中保留空间细节；使用PatchGAN判别器评估图像的局部真实感。
• 使用对抗损失训练GAN，以最小化真实图像与生成图像之间的差异，并使用循环一致性损失确保结构保真度。
• 将训练好的GAN应用于将源站点的中矢状切片转换为匹配目标站点的分布，从而实现域自适应。
• 通过下游分类任务（性别和精神分裂症）评估性能，以衡量生物信号的保留程度。
• 将GAN方法与线性回归和高斯过程回归作为基线进行比较，使用分类准确率和统计不变性作为评估指标。

实验结果

研究问题

• RQ1 基于GAN的方法是否能在不预先知晓偏差来源的情况下，有效减少多中心结构MRI数据中的非线性、站点特异性差异？
• RQ2 GAN转换是否能在最小化扫描仪引起的方差的同时，保留如性别和诊断等临床相关的信息？
• RQ3 在诊断和人口统计标签的分类准确率方面，基于GAN的归一化方法与线性方法和高斯过程回归相比表现如何？
• RQ4 图像变换最显著的区域位于大脑何处？这些区域是否与性别或疾病相关的已知解剖学差异相关？

主要发现

• 与线性回归和高斯过程回归相比，基于GAN的方法在性别分类中的准确率显著提高，表明其更好地保留了生物学相关的结构信息。
• 该模型将站点特异性差异减少到在二分类任务中，经转换的图像在不同扫描仪之间无法区分的程度，表明实现了有效的域对齐。
• 在区分精神分裂症患者与健康对照组方面，GAN的表现优于线性方法和GP回归，表明非线性站点效应可通过深度生成建模更有效地校正。
• 大多数图像变换发生在丘脑和脑干等区域——这些区域已知在性别间存在差异——表明该方法增强了生物学相关区域的一致性。
• 即使在灰质-白质边界等组织对比复杂的区域，该方法也成功减少了类似偏置场的跨站点差异。
• 尽管仅使用中矢状切片，GAN模型仍捕捉到足够的空间上下文信息，从而提升了下游分类性能，表明其对有限输入维度具有鲁棒性。