[论文解读] Ensemble learning with 3D convolutional neural networks for connectome-based prediction

Meenakshi Khosla, Keith Jamison+2 more|arXiv (Cornell University)|Sep 11, 2018

Functional Brain Connectivity Studies参考文献 51被引用 3

一句话总结

本文提出一种基于3D卷积神经网络（3D-CNNs）的集成学习框架，通过结合在不同脑图谱分区上训练的模型，提升基于功能连接组的预测性能。结果表明，随机图谱分区的性能可与标准图谱相媲美，且集成策略显著增强了在自闭症谱系障碍分类和基于静息态fMRI数据的年龄预测中的鲁棒性与准确性。

ABSTRACT

The specificty and sensitivity of resting state functional MRI (rs-fMRI) measurements depend on pre-processing choices, such as the parcellation scheme used to define regions of interest (ROIs). In this study, we critically evaluate the effect of brain parcellations on machine learning models applied to rs-fMRI data. Our experiments reveal a remarkable trend: On average, models with stochastic parcellations consistently perform as well as models with widely used atlases at the same spatial scale. We thus propose an ensemble learning strategy to combine the predictions from models trained on connectivity data extracted using different (e.g., stochastic) parcellations. We further present an implementation of our ensemble learning strategy with a novel 3D Convolutional Neural Network (CNN) approach. The proposed CNN approach takes advantage of the full-resolution 3D spatial structure of rs-fMRI data and fits non-linear predictive models. Our ensemble CNN framework overcomes the limitations of traditional machine learning models for connectomes that often rely on region-based summary statistics and/or linear models. We showcase our approach on a classification (autism patients versus healthy controls) and a regression problem (prediction of subject's age), and report promising results.

研究动机与目标

• 评估不同脑图谱分区方案对基于功能连接组预测的机器学习性能的影响。
• 通过在多个图谱分区上采用集成学习策略，缓解连接组模型对任意ROI定义的敏感性。
• 开发一种3D-CNN框架，利用rs-fMRI数据的完整三维空间结构，捕捉非线性模式。
• 通过连接组数据提升临床应用中的预测准确性，如自闭症分类与年龄回归。
• 证明随机图谱可达到或超越标准图谱的性能，从而实现稳健的集成学习。

提出的方法

• 该方法通过泊松盘采样生成跨被试的多样化感兴趣区域（ROI）定义，实现随机图谱分区。
• 针对每个随机图谱分区，使用ROI间的皮尔逊相关系数计算功能连接矩阵。
• 在rs-fMRI数据的3D体素表示上训练3D-CNN模型，保留空间分辨率并捕捉局部模式。
• 通过集成多个在不同图谱分区上训练的3D-CNN模型的预测结果，提升泛化能力。
• 利用ABIDE-II数据集，通过10,000次自助抽样评估模型的稳定性和性能。
• 该方法避免依赖手工设计特征或线性模型，而是直接从3D fMRI体积中学习分层表征。

实验结果

研究问题

• RQ1 不同脑图谱分区方案如何影响机器学习模型在基于功能连接组预测中的性能？
• RQ2 随机图谱在连接组分类与回归任务中能否实现与既定图谱相当的预测性能？
• RQ3 在多种图谱分区上训练的模型集成是否相比单图谱模型能提升鲁棒性与准确性？
• RQ4 保留完整3D空间结构的3D-CNN架构在连接组数据上是否显著优于传统线性或图基模型？
• RQ5 与基线模型（如SVM、FCN、BrainNet-CNN）相比，所提出的集成策略在预测性能与稳定性方面表现如何？

主要发现

• 随机图谱在相同空间尺度下始终表现出与广泛使用的图谱相当的性能，表明其在模型训练中的可靠性。
• SP-Ensemble方法在自闭症与健康对照组分类任务中达到的分类准确率与最佳单图谱模型相当或略高。
• 3D-CNN模型在年龄回归任务中优于基线模型（如FCN、SVM），且对单张图谱模型的性能提升更为显著。
• 不同模型间的集成预测结果差异微小，表明该集成策略能稳定不同图谱分区方案下的性能表现。
• 基于10,000次自助抽样获得的核密度估计显示，所提出的3D-CNN与SP-Ensemble方法在少于50%的样本中表现劣于竞争方法，表明其具有极强的一致性。
• 研究发现，相关性度量的选择（如皮尔逊相关系数）仍为人为因素，但并未显著改变核心研究发现。