MICS科研简讯第六期
近年来，深度学习算法在脑网络的分析中取得了积极进展。大脑功能网络本质上是一个在时空多尺度上的复杂系统。传统浅层分析方法（包括一般线性模型，独立成分分析，稀疏表示和字典学习等算法）依托于线性假设，在刻画脑网络时空多尺度特性方面性能受限。相反的，深度神经网络具有很强的特征学习能力和多层次表达能力，为挖掘fMRI脑功能活动的复杂时空关系、建立时空多层次的脑网络提供了有力的工具。今天为大家介绍两篇利用深度学习算法来进行脑网络分析的前沿论文。
第一篇是Modeling Task fMRI Data via Deep Convolutional Autoencoder[1]，于2018年发表在IEEE Transactions on Medical Imaging，作者是黄恒等人。这篇文章提出了一种新型的深度卷积自编码器模型(Deep Convolutional Autoencoder, DCAE)来分析fMRI脑功能网络。文章的主要思路是利用深度卷积自编码器的特征自学习能力，在没有人工标签的情况下对fMRI时序信号进行数学建模，挖掘不同时间尺度的fMRI信号特征，并根据深度神经网络学到的多层次特征，进一步重构时间层次尺度脑功能网络。
第二篇是Discovering Hierarchical Common Brain Networks via Multimodal Deep Belief Network[2]，于2019年发表在Medical Image Analysis，作者是张枢等人。这篇文章利用深度信念网络(Deep Belief Network，DBN)来探索脑网络的层次结构（hierarchal）。文章的主要思路是利用DBN的层次结构特征学习能力，分析大脑功能与结构的连通特征的层次化表达，从而探究不同层次的功能与结构的联合网络。
下面简要介绍这两篇文章工作：
一、Modeling Task fMRI Data via Deep Convolutional Autoencoder
为了更好地提取出不同层次的fMRI信号特征，进而提取不同层次的脑功能网络，文章提出了深度卷积自编码算法(Deep Convolutional Autoencoder, DCAE)。DCAE模型主要由编码器和解码器两部分组成。编码器负责将输入的fMRI时间信号映射成更高层次的特征映射，而解码器则负责相反的重构工作。通过这样的机制，深层卷积自编码器可以在没有人工标签的情况下对fMRI时序信号进行数学建模，提取不同层次的fMRI信号特征。
图 1 基于深度卷积自编码器的脑网络分析流程图
为了论证算法的有效性，作者设计了两个验证实验：理论响应模型验证实验和字典学习验证实验。理论响应模型从信号传播的角度考虑了实验刺激范式引发的脑响应模式不同时间尺度上的存在形式；字典学习验证实验可视化了在不同神经网络层得到的脑网络空间分布。图1是基于DCAE的fMRI分析框架。图2和图3分别是理论响应模型验证实验和字典学习验证实验的实验流程。
图 2 理论响应模型的生成过程
图 3 字典学习的实验过程
在文章中，作者使用DCAE不仅成功的提取到了具有层次结构的数据特征，还找到了许多传统分析方法很难发现的一些脑功能活动模式，例如积分模式（Integral），微分模式（Derivate）以及延迟模式（Delay）等。
图 4 DCAE模型发现的新颖的脑功能活动模式
二、Discovering Hierarchical Common Brain Networks via Multimodal Deep Belief Network
这篇文章通过利用深度信念网络Deep Belief Network (DBN) 模型分析大脑网络的层次结构。文章的研究思路是利用结构和功能连接特性作为体素的联合特征描述，使用DBN对联合特征进行无监督学习，获取层级的特征表达，并将各层特征映射回脑成像空间，构建大脑网络的层级结构。
图 5 基于DBN模型的大脑层级网络分析流程图
具体做法分为三步。1）体素的联合特征描述。其中，结构特征为局部神经纤维连通特征；功能特征为体素在稀疏表达脑网络分析中构所参与脑网络的数量。2）使用DBN网络对体素的联合特征进行无监督的学习，得到不同层次上的特征表达。文章选用由多层限制玻尔兹曼机（Restricted Boltzmann Machine，RBM）构成的DBN模型，是受该实验室前期研究工作[3]的启发。[3]中验证了单层RBM相比传统的方法，可以更好的抑制假阳性和假阴性激活。
文中的DBN由三层RBM构成，在三层上分别重构了100, 50与25个具有层级结构的脑网络。图6为在第一层上重构的脑网络示意图，其结构和功能特性具有很高的群体间一致性。第二层与第三层也有相似的结果。文章进一步通过可重复实验验证了实验结果的稳定性（图7）。图8进一步展示了脑功能和结构联合网络的层级结构示例。本文还对实验方法及其实验结果进行了大量的定性定量分析，例如1)构建功能连通特性方法的有效性；2)本文涉及的DBN模型在面对更多数据量时的稳定性；3)利用元分析技术理解所获得的网络的功能意义等等。
图6 DBN第一层模型中的八个随机挑选的网络，每一行代表了10个不同个体，第一层网络的网络相似度达到0.61
图7 两组不同数据的对比性实验，验证了结果的稳定性
图8不同层级脑网络及其对应的神经纤维连通束示例
总的来说，这两篇论文初步的证明了深度神经网络在脑网络分析中的潜力。深度学习算法强大的特征学习能力和多层次表达能力，能够更充分的挖掘fMRI信号的复杂时空关联关系和层次表达，有助于发现和分析脑网络在时空域的层次结构。在本次简讯中，我们仅对文中涉及的方法和结果进行了概略性的介绍，很多相关的细节无法面面俱到。如果有感兴趣，可以查阅文后的参考文献，进行更详细的阅读。笔者水平有限，文中不当之处还望指正！
参考文献：
[1] Heng Huang, Xintao Hu, Yu Zhao, Milad Makkie, Qinglin Dong, Shijie Zhao, Lei Guo, Tianming Liu, Modeling Task fMRI Data via Deep Convolutional Autoencoder, IEEE Transactions on Medical Imaging, 2018, 37(7): 1551-1561.
[2] Shu Zhang, Qinglin Dong, Wei Zhang, Heng Huang, Dajiang Zhu, Tianming Liu, Discovering Hierarchical Common Brain Networks via Multimodal Deep Belief Network, Medical Image Analysis, 2019: 238-252.
[3] Xintao Hu, Heng Huang, Bo Peng, Junwei Han, Nian Liu, Jinglei Lv, Lei Guo, Christine Guo, Tianming Liu, Latent Source Mining in FMRI via Restricted Boltzmann Machine, Human Brain Mapping, 2018, 39(6): 2368-2380.
本文作者：赵世杰、胡新韬、张枢
单 位：西北工业大学自动化学院
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。2020年的MICS会议将于7月18~19日在大连举办，欢迎全球同道专家和同学共聚学术盛宴！
“医学图像计算青年研讨会”微信公众号
