SAE-based classification of school-aged children with autism spectrum disorders using function

【2017】SAE-based classification of school-aged children with autism spectrum disorders using functional magnetic resonance imaging

基于SAE的功能磁共振成像学龄儿童自闭症分类

原文链接:

https://www.researchgate.net/publication/322728713_SAE-based_classification_of_school-aged_children_with_autism_spectrum_disorders_using_functional_magnetic_resonance_imaging

期刊:Multimed Tools Appl (2018) 77:22809–22820

doi:https://doi.org/10.1007/s11042-018-5625-1

摘要:
首先对fMRI数据(84个数据)进行预处理,然后将每个受试者的数据集分解为30个独立成分(IC)。其次,选择了一些关键 IC 并将其输入到堆叠式自动编码器 (SAE) 中。 SAE被用于特征减法和降维。最后,使用 softmax 分类器区分患有 ASD 的学龄儿童和 TD 学龄儿童。该工作的平均准确率高达 87.21%(平均灵敏度 = 92.86%,平均特异性 = 84.32%)。分类结果表明,所提出的方法可能具有自动区分患有 ASD 的学龄儿童和 TD 学龄儿童的潜力。尝试使用基于深度学习的算法和大脑频率来区分患有 ASD 的学龄儿童和 TD 学龄儿童应该是辅助临床实用性向前迈出的关键一步。

1 Introduction

介绍自闭症背景:

一些基于结构磁共振成像的工作,指出默认网络区域对于去分ASD和TD个体非常重要。

使用fMRI数据,研究[1,17,39]报告说他们已经确定了大脑区域之间的某些功能连接性,这些连接包含有关该疾病的重要信息。45研究表明,不同频段也会影响自闭症。

Barttfeld【5】在fMMRI中使用SVM的方法,进行检测。

为了提高客观诊断的可行性,一些关键方法开始将特征选择分类算法应用与fMRI数据【17,30】。

总结:机器学习和模式识别的相关算法已经成为大脑fMRI研究的主要课题之一。【37】

然而:处理复杂的神经发育障碍需要强大的技术,该论文的工作结合了一种新颖的深度学习方法和脑频率理论,以利用fMRI数据区分患有ASD的学龄儿童 ,并提高对精神疾病的理解、预测、和治疗。主要实现了的工作

  1. 采用SAE进行特征减法和降维操作,采用softmax进行分类。、
  2. 使用频率范围是从Slow-2到Slow-6的所有子带而不是单个子带。与【2,5,8,11,32】相比 该论文准确度较好。

2 Methods

2.1 数据来源及介绍

数据从ABIDE下载====>NYU站点的数据:42ASD、42TD。

自闭症儿童的研究对象是患有ASD的学龄儿童,年龄从6岁到13岁不等。

2.2 数据预处理:

fMRI数据预处理是使用多变量探索性优化分解为独立组件(MELODIC)进行的,是FMRIB软件库FSL软件包的工具箱。

数据预处理包括步骤:运动矫正、切片时间校正、去除非脑组织、空间归一化和空间平滑。

每一个受试者的数据被分解为30个独立的组件(IC)。

每个IC包括三项信息:时间序列、功率谱、空间图。

三个图:

功率谱是大脑频率功率的一种表达:先前的工作【23,35】表明rs-fMRI 的FC主要位于Slow-4和Slow-5频段内。最近的一项研究表明Slow-3也有意义。因此,通过使用所有频率子带应该期望更好的分类结果。

因此根据Slow-2到Slow-6的所有波段的最大能量标准选择了20个关键组件【45】。

将以上20个关键成分的时间序列重构为一个3400维的关键特征,将所有被试的84个关键特整数组重构为一个3400*84维的关键特征矩阵。经过0-1归一化之后,特征矩阵被输入到SAE中。

2.3 提出的方法

3400*84 ===> SAE ===>softmax预判:ASD/TD

SAE-based classification of school-aged children with autism spectrum disorders using function_第1张图片

文中提出的增强SAE架构:

SAE-based classification of school-aged children with autism spectrum disorders using function_第2张图片

解释上面的架构:

SAE有10层,一个输入层、8个隐藏层、一个输出层。

8个隐藏层分为4组,每组2个隐藏层。每组节点数相同。

4组节点分别为600-400-100-40

给定一个包含m个样本的训练集,即{(x1,y1),(x2,y2),····(xm,ym)}。其中xi代表第i个样本的类别yi是第个样本的标签。

对于第一层,激活单元是输入数据,即a(1) = xi。

在该研究中,受试者标签为两类(1,2)1为ASD,2为TD。所以yi∈{1,2}

AE的目标是最小化输入和输出指甲你的距离来学习w和b,成本函数为:

公式3

解释上面的公式,以及优化措施。

3 Result

使用Matlab2010a版本进行实验的。
SAE-based classification of school-aged children with autism spectrum disorders using function_第3张图片

上图为评估指标。

结论中提到:性别、年龄、FIO、惯用手、眼睛状况等因素对CV的准确性无影响。

table2:8个隐藏层参数的具体取值
SAE-based classification of school-aged children with autism spectrum disorders using function_第4张图片

table3:分类结果
SAE-based classification of school-aged children with autism spectrum disorders using function_第5张图片

4 讨论

讨论主要从以下几点出发:(ASD+TD)

【1】文中40+40的数据,准确率79%

【5】文中12+12的数据,SVM方法准确率91%

【27】文中13+14的数据,准确率78%

【39】文中20+20的数据,准确率78%

【18】文章的报告,使用20岁一下受试者成像数据,使用PNN对两组进行分类,准确率90%,灵敏度92%,特异性87%。

【8】文章中能够达到 79.17% 的准确度。此外,发现中的大部分判别特征都集中在 Slow-4 波段上,同时使用 Slow-4 和 Slow-5 特征时的准确率达到 74%。当仅使用 Slow-4 或 Slow-5 特征时,准确率达到 69%

这些研究取得了较好的成绩,但也存在不足。使用所有大脑频段(从 Slow-2 到 Slow-6)和一种新的机器学习方法,我们的研究能够实现更高的灵敏度(92.86%)。

再次说明该方法可能适用于学龄儿童自闭症的计算机辅助诊断。

为进一步证实结论,使用ABIDE更大的数据集(n>240)有助于在未来验证该方法

table4:精度和时间表
SAE-based classification of school-aged children with autism spectrum disorders using function_第6张图片

5 总结

提出的方法好,针对于学龄儿童分类准确率达到了92.86%。

对于计算机辅助诊断来说是一个令人印象深刻的结果。该文章主要贡献,是证明了使用所有频率子带基于深度学习的方法可以大大提高准确性和灵敏度。

下一步工作是在更高效的平台上加速其算法,将其扩展到计算机科学的其他领域。

你可能感兴趣的:(菜鸟的研究生生涯,人工智能,深度学习)