[论文解读] Electromagnetic Source Imaging via a Data-Synthesis-Based Denoising Autoencoder.

Gexin Huang, Zhu Liang Yu+6 more|arXiv (Cornell University)|Oct 24, 2020

Ultrasonics and Acoustic Wave Propagation参考文献 55被引用 4

一句话总结

本文提出了一种基于数据合成的去噪自编码器（DST-DAE），用于电磁源成像（ESI），利用神经网络从测量的MEG/EEG信号中学习反向映射至皮层源。通过使用前向模型合成大规模时空数据，并利用时空特征模块训练自编码器，该方法在源估计精度和抗噪性方面优于传统的基于先验的方法。

ABSTRACT

Electromagnetic source imaging (ESI) is a highly ill-posed inverse problem. To find a unique solution, traditional ESI methods impose a variety of priors that may not reflect the actual source properties. Such limitations of traditional ESI methods hinder their further applications. Inspired by deep learning approaches, a novel data-synthesized spatio-temporal denoising autoencoder method (DST-DAE) method was proposed to solve the ESI inverse problem. Unlike the traditional methods, we utilize a neural network to directly seek generalized mapping from the measured E/MEG signals to the cortical sources. A novel data synthesis strategy is employed by introducing the prior information of sources to the generated large-scale samples using the forward model of ESI. All the generated data are used to drive the neural network to automatically learn inverse mapping. To achieve better estimation performance, a denoising autoencoder (DAE) architecture with spatio-temporal feature extraction blocks is designed. Compared with the traditional methods, we show (1) that the novel deep learning approach provides an effective and easy-to-apply way to solve the ESI problem, that (2) compared to traditional methods, DST-DAE with the data synthesis strategy can better consider the characteristics of real sources than the mathematical formulation of prior assumptions, and that (3) the specifically designed architecture of DAE can not only provide a better estimation of source signals but also be robust to noise pollution. Extensive numerical experiments show that the proposed method is superior to the traditional knowledge-driven ESI methods.

研究动机与目标

• 为克服依赖潜在不准确数学先验的传统ESI方法的局限性。
• 开发一种数据驱动方法，无需显式先验假设，直接从测量的电磁信号学习反向映射至皮层源。
• 通过利用ESI前向模型生成的大规模、逼真的合成数据，提升估计性能。
• 通过设计专门的去噪自编码器架构并结合时空特征提取，增强对噪声的鲁棒性。
• 为临床和研究应用中的电磁源成像提供更具泛化能力和实用性的解决方案。

提出的方法

• 采用一种新颖的数据合成策略，通过将源先验信息融入ESI的前向模型，生成大规模时空样本。
• 训练数据被合成以反映真实的源分布，使网络能够从多样化且合理的源配置中学习。
• 设计了一种去噪自编码器（DAE）架构，配备专用的时空特征提取模块，以建模数据中的时空依赖性。
• 通过让DAE从含噪输入信号中重建干净的源估计，从而提升对测量噪声的鲁棒性。
• 网络端到端地学习从测量的MEG/EEG信号直接映射至估计的皮层源分布。
• 通过从合成数据分布中隐式学习反向映射，避免了显式先验公式的设定。

实验结果

研究问题

• RQ1 基于深度学习的方法是否能在源估计精度方面超越依赖手工设计先验的传统ESI方法？
• RQ2 利用前向模型进行数据合成在多大程度上提升了训练数据的真实感与代表性？
• RQ3 在DAE架构中集成时空特征提取模块如何提升源估计性能？
• RQ4 与标准自编码器或传统方法相比，去噪自编码器组件是否显著提升了对测量信号中噪声的鲁棒性？
• RQ5 该方法是否能在未见的源配置上实现良好泛化，而不会因过度依赖特定先验假设而过拟合？

主要发现

• 在广泛的数值实验中，所提出的DST-DAE方法在源估计精度方面显著优于传统的知识驱动型ESI方法。
• 数据合成策略使模型能够更好地反映实际源特征，而非依赖数学形式化的先验假设。
• 去噪自编码器架构显著提升了对测量信号中噪声污染的鲁棒性。
• 时空特征提取模块有效捕捉了源信号中的复杂时间动态和空间模式。
• 通过从多样化合成数据分布中学习，而非依赖固定先验约束，该方法提供了更具泛化能力的解决方案。
• 结果表明，结合数据合成的深度学习方法能够有效应对ESI反问题的病态性。