[论文解读] Deep learning for neuroimaging: a validation study

Sergey Plis, Devon Hjelm+2 more|arXiv (Cornell University)|Dec 20, 2013

Functional Brain Connectivity Studies参考文献 31被引用 17

一句话总结

本研究通过展示受限玻尔兹曼机（RBMs）和深度置信网络（DBNs）能够从结构磁共振成像（sMRI）和功能磁共振成像（fMRI）数据中学习到具有生理意义的表征，验证了深度学习在神经影像学中的有效性。作者表明，DBNs在捕捉潜在的疾病相关模式方面优于浅层模型，其深度结构增强了组间分离，并在亨廷顿病数据中揭示了疾病严重程度的梯度，该结果通过一种新颖的基于约束的可视化方法得到验证。

ABSTRACT

Deep learning methods have recently made notable advances in the tasks of classification and representation learning. These tasks are important for brain imaging and neuroscience discovery, making the methods attractive for porting to a neuroimager's toolbox. Success of these methods is, in part, explained by the flexibility of deep learning models. However, this flexibility makes the process of porting to new areas a difficult parameter optimization problem. In this work we demonstrate our results (and feasible parameter ranges) in application of deep learning methods to structural and functional brain imaging data. We also describe a novel constraint-based approach to visualizing high dimensional data. We use it to analyze the effect of parameter choices on data transformations. Our results show that deep learning methods are able to learn physiologically important representations and detect latent relations in neuroimaging data.

研究动机与目标

• 评估浅层深度学习模型（如RBMs）在特征学习方面是否能够与传统神经影像学方法（如ICA）相媲美或超越。
• 研究模型深度对sMRI和fMRI数据中表征学习与分类性能的影响。
• 评估深度学习在大规模、异质性神经影像数据集中发现隐藏的、具有生物学意义结构的实用性。
• 开发并应用一种新颖的基于约束的嵌入方法，用于可视化和分析深度网络学习的高维变换。
• 验证深度学习在多中心、多扫描仪和多场强神经影像数据中的鲁棒性。

提出的方法

• 使用受限玻尔兹曼机（RBM）作为浅层生成模型，从神经影像数据中学习特征，其权重矩阵作用于空间维度。
• 通过堆叠RBM构建深度置信网络（DBNs），在sMRI和fMRI数据中学习多层级的层次化表征。
• 采用一种新颖的约束满足嵌入方法，可视化并分析DBNs施加的变换，同时控制约束复杂度。
• 在来自32个中心的3500名受试者（2641名亨廷顿病患者，859名对照）的原始sMRI数据上预训练DBNs，随后进行微调以用于分类。
• 使用谱分解和疾病严重程度的颜色编码，在嵌入空间中可视化潜在结构。
• 通过二分类任务中的F-score，将性能与ICA及标准分类器（SVM、逻辑回归）进行比较。

实验结果

研究问题

• RQ1 浅层RBM能否在神经影像学中产生与ICA等成熟方法相当的、具有生理意义的特征？
• RQ2 增加DBN的深度是否能提升其在结构MRI数据中学习判别性表征的能力？
• RQ3 深度学习模型能否在神经影像数据中揭示超越简单分类的隐藏的、具有生物学意义的模式？
• RQ4 模型深度如何影响深度网络在异质性神经影像数据上的表征能力与泛化性能？
• RQ5 一种新颖的基于约束的嵌入方法能否有效可视化和解释深度网络在高维神经影像数据中学习的变换？

主要发现

• 在模拟数据上，浅层RBM的F-score与ICA相当，生成了局灶性、具有生理合理性的特征，并表现出有意义的时间相关性。
• 在PREDICT-HD数据集中，DBN在二分类任务（对照组 vs. 患者）中于第3层恢复性能，F-score达到1.00，尽管在第1层和第2层因表征能力有限而出现下降。
• 基于约束的嵌入方法成功可视化了sMRI扫描中连续的疾病严重程度谱，且无需事先访问标签，揭示了原始数据或t-SNE无法显示的潜在结构。
• DBNs在多中心、多扫描仪和多场强数据中表现出鲁棒性，表明其在预处理差异存在的情况下仍具有强大的泛化能力。
• 网络深度显著增强了组间分离与特征学习能力，第3层模型在捕捉细微疾病相关模式方面优于浅层架构。
• 可视化方法表明，DBN学习到了与临床严重程度一致的有意义的非线性变换，表明其在探索性神经科学研究中的潜在价值。