[论文解读] Geometric Convolutional Neural Network for Analyzing Surface-Based Neuroimaging Data

Si-Baek Seong, Chongwon Pae+1 more|arXiv (Cornell University)|Aug 2, 2017

Medical Image Segmentation Techniques参考文献 4被引用 3

一句话总结

本文提出几何卷积神经网络（gCNN），一种新颖的深度学习框架，旨在分析基于表面的非规则球面网格神经影像数据（如皮层厚度图）。通过利用多层壳网格结构与几何卷积，gCNN 仅使用 MRI 厚度数据，其性别分类准确率显著高于支持向量机（SVM）和标准图像卷积神经网络（CNN），展现出其在从 MRI 和 fMRI 数据中进行疾病分类方面的潜力。

ABSTRACT

The conventional CNN, widely used for two-dimensional images, however, is not directly applicable to non-regular geometric surface, such as a cortical thickness. We propose Geometric CNN (gCNN) that deals with data representation over a spherical surface and renders pattern recognition in a multi-shell mesh structure. The classification accuracy for sex was significantly higher than that of SVM and image based CNN. It only uses MRI thickness data to classify gender but this method can expand to classify disease from other MRI or fMRI data

研究动机与目标

• 解决标准卷积神经网络（CNN）在处理皮层厚度图等非规则几何表面时的局限性。
• 开发一种能够在球面网格结构神经影像数据上实现模式识别的深度学习框架。
• 仅使用皮层厚度数据，提升神经影像任务中的分类准确率。
• 使该方法可扩展至从 MRI 和 fMRI 数据中进行疾病分类。

提出的方法

• gCNN 采用专为球面表面数据设计的几何卷积，保留拓扑结构。
• 该模型使用多层壳网格表示，以捕捉皮层表面的分层特征。
• 几何卷积通过网格上的局部邻域定义，实现在不规则域上的空间不变性与特征学习。
• 网络架构集成了适应球面几何的池化与非线性激活函数。
• 训练采用端到端的反向传播算法，基于网格表示进行。
• 该方法在仅使用 T1 加权 MRI 衍生的皮层厚度图进行性别分类任务上进行了评估。

实验结果

研究问题

• RQ1 深度学习模型能否有效对非规则球面表面（如皮层厚度图）的神经影像数据进行分类？
• RQ2 gCNN 在基于表面的神经影像数据上的性能与传统方法（如 SVM 和标准 2D CNN）相比如何？
• RQ3 gCNN 是否能在仅使用皮层厚度数据、不依赖其他成像对比度的情况下实现高分类准确率？
• RQ4 gCNN 在多大程度上可推广至从 MRI 或 fMRI 数据中对神经系统疾病进行分类？

主要发现

• 与 SVM 和基于图像的 CNN 相比，gCNN 在性别预测任务中实现了显著更高的分类准确率。
• 该方法在仅使用 T1 加权 MRI 扫描的皮层厚度数据时表现出优越性能。
• 模型的几何卷积能有效捕捉不规则球面表面上的空间模式。
• gCNN 的架构可扩展至其他神经影像模态，包括 fMRI 和结构 MRI，适用于疾病分类。
• 结果表明，几何深度学习是分析复杂基于表面的神经影像数据的有前景方法。
• 该框架为开发更精确、具备拓扑感知能力的神经影像分析模型奠定了基础。