[论文解读] Large-Scale Unsupervised Deep Representation Learning for Brain Structure

Ayush Jaiswal, Dong Guo+2 more|arXiv (Cornell University)|May 2, 2018

Functional Brain Connectivity Studies参考文献 10被引用 3

一句话总结

本文提出了一种大规模无监督深度学习框架，采用卷积自编码器（CAE）在无需领域特定特征或人工干预的情况下，学习结构化脑部MRI扫描的通用、低维表示。该方法在分类性能上与FreeSurfer特征相当——媲美当前最先进的手工设计特征——同时将特征提取时间从数小时缩短至每幅扫描不到0.5秒。

ABSTRACT

Machine Learning (ML) is increasingly being used for computer aided diagnosis of brain related disorders based on structural magnetic resonance imaging (MRI) data. Most of such work employs biologically and medically meaningful hand-crafted features calculated from different regions of the brain. The construction of such highly specialized features requires a considerable amount of time, manual oversight and careful quality control to ensure the absence of errors in the computational process. Recent advances in Deep Representation Learning have shown great promise in extracting highly non-linear and information-rich features from data. In this paper, we present a novel large-scale deep unsupervised approach to learn generic feature representations of structural brain MRI scans, which requires no specialized domain knowledge or manual intervention. Our method produces low-dimensional representations of brain structure, which can be used to reconstruct brain images with very low error and exhibit performance comparable to FreeSurfer features on various classification tasks.

研究动机与目标

• 开发一种用于结构化脑部MRI的无监督深度表征学习方法，消除对手工设计、领域特定特征的依赖。
• 解决传统工具（如FreeSurfer）的局限性，后者需要人工质量控制，并假设固定解剖先验，难以适用于异常脑结构。
• 构建一个可扩展、端到端的深度学习框架，能够在多样化脑影像数据集上泛化，并随数据量增加而自适应优化。
• 评估基于CAE的自监督特征是否能在临床分类任务中达到或超越既有的FreeSurfer特征性能。

提出的方法

• 在来自九个公共数据集（包括ADNI、ABIDE-I和HCP）的15,485幅sBMRI扫描上训练了三种CAE架构——CAE-staged、CAE-joint和CAE-3D。
• CAE-staged使用两个独立的自编码器：一个用于2D轴向切片，另一个将帧级表示整合为3D脑部嵌入。
• CAE-joint将两个阶段合并为一个端到端可训练的网络，实现2D切片上的联合特征学习。
• CAE-3D直接对体素MRI数据应用3D卷积，以学习无需逐切片处理的3D潜在表示。
• 对所有数据源应用颅骨剥离和裁剪，将输入标准化为200×200×200各向同性体素。
• 使用重建损失和潜在空间正则化，确保学习到的表示具有意义且维度低，同时保留结构信息。

实验结果

研究问题

• RQ1 通过CAE进行无监督深度表征学习，能否生成与FreeSurfer手工设计特征诊断性能相当的脑部MRI特征？
• RQ2 在涉及神经退行性和神经发育障碍的多种分类任务中，基于CAE的特征与FreeSurfer特征的性能相比如何？
• RQ3 与FreeSurfer计算密集型的ReconAll流程相比，所提出的CAE模型在特征提取时间上能减少多少？
• RQ4 结合九个多样化神经影像数据集的数据，是否能提升所学习表征的鲁棒性和泛化能力？
• RQ5 所学习的表征是否能在传统解剖先验失效的异常脑形态中实现泛化？

主要发现

• CAE-3D在H-ADNI与AD的对比任务中AUROC达到0.81，在H-ABIDE与ASD的对比任务中达到0.80，使用逻辑回归分类，性能与FreeSurfer相当或更优。
• 在大多数分类任务中，CAE-joint和CAE-3D优于CAE-staged，其中CAE-3D在跨数据集泛化方面表现最强。
• 使用CAE-3D进行特征提取，每幅扫描仅需0.45秒，而FreeSurfer的ReconAll流程需20至47小时/幅扫描。
• 基于CAE的特征能够以极低的重建误差重构脑部图像，表明潜在空间中信息保留程度很高。
• 在H-ADNI与MCI的对比任务中，CAE-3D使用逻辑回归获得0.76的AUROC，使用随机森林获得0.80，与FreeSurfer的0.77和0.81非常接近。
• 该方法在多样化数据集上表现出鲁棒性，包括存在异常脑结构的数据集，且无需依赖固定解剖先验。