通过全双向长短期记忆网络进行深度 chronnectome 学习用于 MCI 诊断
计算机视觉与模式识别
2018-08-31 v1
摘要
从静息态 fMRI（RS-fMRI）提取的脑功能连接（FC）已成为疾病诊断的流行方法，其中区分轻度认知障碍（MCI）受试者与正常对照（NC）仍是最具挑战性的问题之一。由时变时空动态组成的动态功能连接（dFC）可能刻画用于改善 MCI 分类的“chronnectome”诊断信息。然而，当前多数 dFC 研究基于通过空间聚类检测离散主要脑状态，忽略了此类 chronnectome 中包含的丰富时空动态。我们提出深度 Chronnectome 学习以详尽挖掘综合信息，尤其是隐藏的高层特征，即可能为 MCI 分类增添关键诊断能力的 dFC 时间序列。为此，我们设计了一种全新的全连接双向长短期记忆网络（Full-BiLSTM），以利用每个短暂时间段过去与未来的信息有效学习周期性脑状态变化，进而融合形成最终输出。我们将方法应用于严格构建的大规模多站点数据库（即来自 NC 的 164 条与来自 MCI 的 330 条数据，可进一步扩增 25 倍）。在可靠交叉验证下，我们的方法以 73.6% 准确率优于其他最先进方法。我们还对 LSTM 模型的多个变体做了广泛比较。结果表明我们的方法高度可行，并对其他脑疾病诊断也具有潜在价值。
引用
@article{arxiv.1808.10383,
title = {Deep Chronnectome Learning via Full Bidirectional Long Short-Term Memory Networks for MCI Diagnosis},
author = {Weizheng Yan and Han Zhang and Jing Sui and Dinggang Shen},
journal= {arXiv preprint arXiv:1808.10383},
year = {2018}
}
备注
The paper has been accepted by MICCAI2018