浙江工业大学胡正珲老师2019年10月22日MICS在线学术讲座成功举办！
医学图像计算青年研讨会（Medical Imaging Computing Seminar，MICS）创立于2014年，其宗旨是为医学图像领域的华人青年学者提供学术交流平台，增进相互之间的了解和友谊，帮助青年学者融入学术研究大家庭。MICS聚焦于近两年内的医学图像计算领域原创研究，欢迎医学图像处理、计算机视觉、人工智能等新理论、新方法、新应用的展示，以及影像与临床医学、基础医学深度交叉的突破性进展报告。
首届MICS在医学图像领域著名学者、北卡罗来纳大学教堂山分校沈定刚教授的倡议下，于2014年12月在深圳大学举行。经过2015（济南）、2016（广州）、2017（上海）、2018（南京）、2019（苏州）的蓬勃发展，MICS从参会人数不足百人到吸引上千名专家学者参与，已迅速成为全国医学图像计算领域最具影响力的活动之一。
第七届医学图像计算青年研讨会将于2020年7月18-19日在大连举办。在此，谨对本领域专家学者长期以来的大力支持表示感谢，并欢迎广大青年学者莅临MICS 2020，共同繁荣MICS大家庭！
神经活动在大脑不同功能区之间静息状态下或处理共同任务时发生信号传递的时空因果关系（Causality），即为效应连接（effective connectivity）。长期以来，依据建立脑区间关联的数学思想的不同，效应连接研究大致可以划分为结构方程模型（Structure Equation Modeling，SEM），动态因果模型（Dynamic Causal Modeling，DCM）和Granger 因果映射（Granger Causal Mapping，GCM）。其中，结构方程模型由于不考虑实验条件的扰动，生理学过程和条件输入假设的随机性，已逐渐退出效应连接研究。动态因果模型利用描述血液动力学响应过程的生物物理学模型（Balloon Model）获得神经信号输入后，在神经信号输入的基础上建立神经环路模型，能够看作是Balloon 模型在多个构成神经环路模型区域的扩展，是模型驱动的，数学形式复杂。Granger 因果映射则完全以测量的fMRI信号为基础建立脑区间因果关联，是数据驱动的，其数学表达相对简单。目前国内研究人员主要涉及动态因果模型和Granger 因果映射，几种方案长期以来竞争并存，在脑功能的神经网络研究中得到了快速的应用和发展。
在学术界，利用较慢fMRI影像数据开展脑因果网络研究在多大程度上能够反映脑区间真实的快速的神经电活动关系一直存在疑问。在2008年，法国国家健康与医学研究院（INSERM）的David 等人开展了一项比较实验，通过对大鼠癫痫fMRI信号用两种不同的效应连接方法DCM和GCM分析比较，认为：fMRI影像的DCM分析结果与iEEG信号反映的真正的神经元电信号连接的神经环路结果能够部分匹配，而Granger因果分析结果则完全不符合。随后，在2009年，英国皇家科学院院士，也是DCM的提出者Friston教授在PLoS Biology上据此做了论述，认为DCM要优于GCM。这在功能磁共振神经科学领域引发了一场非常激烈的关于两种分析方法优劣的大讨论，于2011年在著名的神经影像学杂志NeuroImage上集结发表。尽管两种模型的优劣并没有最终定论，但是神经科学家们达成两个基本的共识：（一）考虑到fMRI信号并不直接测量神经元电信号，而是作为神经活动的二级生理学状态变化过程的综合度量，引入反映血液动力学响应的生物物理学模型将有助于提高脑因果网络研究的准确性（在Granger因果模型中这一过程可通过血液动力学响应的反卷积来实现）；（二）如何从包含所有可能的待选模型的空间中确立标准，挑选最合适的模型，即模型选择（Model Selection）问题对于最终的神经环路确立至关重要。
胡老师的报告以GCA的方法学为主，围绕第二点共识，即模型选择展开。首先，胡老师对基本概念进行了介绍。在时域内，两个脑区X、Y之间的Granger因果关系定义为：若在包含了变量X、Y的过去信息的条件下，对变量Y的预测效果要优于只单独由Y的过去信息对Y进行的预测效果，即变量X有助于解释变量Y的将来变化，则认为变量X是引致变量Y的Granger原因。因此，Granger 因果数学模型由来自自身的历史信息和来自其它脑区的历史信息两部分组成。在fMRI的研究中，对于自身历史信息结构的确立主要利用Akaike信息准则（AIC）或贝叶斯信息准则（BIC）理论，而对其它脑区的历史信息的确立，是通过剩余方差原理（extra sum-of-square principle）的统计F 检验在待选的模型空间中两两比较模型间估计残差来实现。
接着，胡老师对历史信息结构确定的传统方法可能带来一系列的问题进行了分析，认为主要带来以下问题：
- BIC/AIC理论与统计F检验分属于不同的数学理论，不同的数学框架下存在不同的选择标准，因此可能产生完全不一致的选择结果。
- 统计检验中置信区间的设立具有很强的主观性，理论上，科学规律的发现和验证应该选择不同的置信区间，例如，高能物理研究中实验结果在3σ的置信区间内称为有迹象表明（sign），在3σ-5σ置信区间内称为有证据显示（evidence），只有当实验具有5σ以上置信区间，其结果才能被称为发现（finding）。然而，在脑神经影像学研究中缺乏类似的标准，随意性比较强，而不同的置信区间的选择产生的结果也存在很大差异。
- F检验是比较两个‘内嵌’形式模型间的残差，这就使得模型的比较只能通过‘中间模型’——约化模型（reduced model），并在同一模型类（class）中才能进行，其最终的结果依赖于初始模型的选择，以及模型空间中的搜索路径。
- F检验要求不同分量间是独立高斯分布的，在Granger因果模型中它们仅仅是近似独立高斯分布（见Granger因果定义），这就使F检验的有效性随模型复杂性，即节点数的增加显著下降。
- 完整模型（full model）和约化模型（reduced model）之间的比较随着网络节点数的增加显著增加（$C_m^2$），当考虑条件概率下的模型比较时，模型选择过程变得尤其复杂而费时。该问题在部分（Partial）GCA分析中得到部分解决。
基于以上分析，胡老师认为基于柯氏描述复杂度的最小描述长度（Minimum Description Length，MDL）原理可以作为模型选择的标准。结合统计模型，最小描述长度可以在不同的领域作为一种模型选择方法。基于最小描述长度选定的模型，是在模型的描述长度和编码的描述长度之间的一个平衡，因此可以有效的避免过适应。并且随着数据的增加，选定模型的结构和参数会较快的收敛到真实模型。本报告以MDL理论作为模型选择的标准，探讨其在Granger因果的脑效应连接中的应用。
最后，胡老师通过仿真实验，以及对David实验数据重新分析，进行了结果验证，表明在MDL 原理指导下的Granger 因果分析研究能够获得更为准确的神经网络结构和功能的定量化信息。报告结束阶段，胡老师回答了观众所提出的相关问题。
问答环节
- 问：在GCA的因果分析中需要用到先验假设吗？答：因果脑网络分析本质上是从备选的模型空间中根据不同的模型选择标准去选择在该选择标准下的最优模型，传统的GCA是利用统计的方法，我们是利用最小描述长度的方法。因此，先验假设主要是为模型空间提供备选的模型，由于大网络往往备选模型众多，因此先验假设可以帮助极大的减少备选模型数量，另一方面，由于基于fMRI的因果脑网络研究是否能真正的反映神经系统之间的交互，协同和信息流动，尚存在很多争议，目前的因果脑网络研究多少有点循环论证的意味，也就是说更多的是用现有的知识去解释获得的网络，但是我们研究因果的主要目的，不仅仅是发现网络的因果关系，更多的是基于发现去阐明其背后的因果机制，这也是我们在真实数据的实验中，开展网络一致性的比较的原因，我们希望证明基于fMRI数据的因果分析能真正发现神经团簇间的因果关系，从而使因果脑网络分析能够真正运用于探讨脑功能的机制。基于上述原因，如果对于确认是可靠的GCA分析，我不建议用先验知识，因为这可能限制我们发现新的，未知的因果关系。
2. 问：可否在MRI结构像中使用GCA分析？答：可以，比如在多模态影像的分析中，可以用来研究结构与其它不同模态表征的生理学信息之间的因果，或者当我们有一系列不同时期的结构像，可以用来研究不同脑区变化之间的相互影响。
胡正珲教授报告的视频链接:
https://www.iqiyi.com/v_19rvfnil7w.html
特别感谢本次学术讲座主要组织者：
谢立（浙江大学）
活动须知
- MICS在线学术讲座依托在线直播平台进行，观众请点击每期直播链接参加活动，支持安装Windows系统的电脑、MAC电脑、手机等设备，手机客户端也可直接扫描二维码进入直播；
- 活动开始前5分钟左右，讲者会开启直播，活动时讲者会上传PPT或共享屏幕，观众可以看到Slides，听到讲者的语音，并通过聊天功能与讲者交互；
- 活动过程中，请不要说无关话语，以免影响活动正常进行；活动过程中，如出现听不到或看不到视频等问题，建议退出再重新进入，一般都能解决问题；建议通过速度较快的网络参加活动，优先采用有线网络连接;活动过程中，请不要说无关话语，以免影响活动正常进行；
- 后续每期讲座信息，会通过MICS微信公众号“医学图像计算青年研讨会”（扫描下方二维码关注MICS微信公众号）或MICS QQ群（群号：641894878）进行通知（注：申请加入MICS QQ群时需验证姓名、单位和身份，缺一不可；入群后，请实名，姓名身份单位；身份：学校及科研单位人员T，企业研发I，博士D，硕士M）。
“医学图像计算青年研讨会”微信公众号
MICS在线学术讲座的模式和组织方式借鉴了很多VALSE的经验, 从VALSE得到了很多的启发，在此对VALSE组委会表示衷心的感谢，也祝愿MICS和VALSE越办越好！