通过循环深度学习模型分析神经影像数据
机器学习
2019-04-08 v2 计算机视觉与模式识别
神经与进化计算
神经元与认知
机器学习
摘要
由于神经影像数据集具有高维、小样本量和复杂的时空依赖结构，将深度学习（DL）模型应用于此类数据面临若干挑战。更进一步，DL 模型作为黑盒模型，阻碍了对认知状态与大脑活动关联的洞察。为应对这些挑战，我们引入 DeepLight 框架，其利用基于长短期记忆（LSTM）的 DL 模型来分析全脑功能磁共振成像（fMRI）数据。为解码认知状态（例如，看到房屋的图像），DeepLight 将 fMRI 体素体积分离为一系列轴向脑切片序列，随后由 LSTM 顺序处理。为保持可解释性，DeepLight 采用逐层相关性传播（LRP）技术，从而将其解码决策分解为单个输入体素对该决策的贡献。重要的是，该分解在单个 fMRI 体素体积层面上进行，使 DeepLight 能够在多种数据粒度上研究认知状态与大脑活动的关联，从群体层面直至单个时间点层面。为展示 DeepLight 的通用性，我们将其应用于 Human Connectome Project 的大型 fMRI 数据集。我们表明 DeepLight 在解码认知状态及识别与这些状态相关的生理适宜脑区方面优于传统的单变量与多变量 fMRI 分析方法。我们进一步展示了 DeepLight 研究单 fMRI 样本序列上大脑活动细粒度时空变化的能力。
引用
@article{arxiv.1810.09945,
title = {Analyzing Neuroimaging Data Through Recurrent Deep Learning Models},
author = {Armin W. Thomas and Hauke R. Heekeren and Klaus-Robert Müller and Wojciech Samek},
journal= {arXiv preprint arXiv:1810.09945},
year = {2019}
}
备注
36 pages, 9 figures