A Survey on Deep Learning for Neuroimaging-based Brain Disorder Analysis阅读笔记

摘要，本文工作

深度学习最近已用于分析神经影像，例如结构磁共振成像（sMRI），功能性核磁共振成像（fMRI）和正电子发射断层扫描（PET）。并且在脑部疾病的计算机辅助诊断中，相对于传统的机器学习方法，其性能得到了显著改善。本文概述了深度学习方法在基于神经影像的脑部疾病分析中的应用。
通过介绍各种类型的深度神经网络和最新发展，我们首先提供深度学习技术和流行网络架构的全面概述。然后，我们回顾了用于四种典型脑部疾病的计算机辅助分析的深度学习方法，包括阿尔茨海默氏病，帕金森氏病，自闭症谱系障碍和精神分裂症。更重要的是，我们讨论了现有研究的局限性并提出了可能的未来发展方向。

介绍

医学成像指的是用于提供人体内部视觉表示的几种不同技术，以帮助放射科医生和临床医生更有效地及早发现，诊断或治疗疾病[1]。在过去的几十年中，医学成像迅速成为一种占主导地位且有效的工具，并且代表了各种成像方式，包括X射线，乳房X线照片，超声，计算机断层扫描，磁共振成像（MRI）和正电子发射断层扫描（PET）[2] 。每种模态的医学图像都提供了有关不同人体器官的各种解剖学和功能信息，以用于诊断和研究。
在临床实践中，医学图像的详细解释需要由诸如放射科医生和临床医生的人类专家来执行。然而，对于大量的医学图像，解释是费时的，并且很容易由人类专家的偏见和潜在的疲劳导致解释出现偏差。因此，从1980年代初期开始，医生和研究人员就开始使用计算机辅助诊断（CAD）系统来解释医学图像并提高其效率。
在CAD系统中，机器学习能够提取信息特征，这些特征很好地描述了数据的固有模式，并且在医学图像分析中起着至关重要的作用[3，4]。稀疏学习，支持向量机（SVM），高斯网络，随机森林，决策树和隐马尔可夫模型等几种传统的机器学习算法被广泛使用[5]。然而，医学图像的结构非常复杂，如果特征选择步骤仍然由人类专家基于其领域特定知识来完成，这给非医学专家带来了在医学图像分析领域利用机器学习技术的挑战。因此，手工制作的特征选择不适用于医学图像。另外，这些传统机器学习算法的浅层架构限制了它们的表示能力[6]。
自然，下一步的逻辑研究方向是让算法自动学习可以表示数据分布的最佳特征。深度学习与该概念完全吻合，并迅速成为近年来医学图像分析的首选方法[7、8、9]。与传统的机器学习算法相比，深度学习无需领域专家的专业知识就能自动发现信息表征，并且非领域专家也能有效地使用深度学习技术。由于借助了CPU和GPU，在大量可用训练数据的情况下，可以设计新颖的算法来训练深度神经网络，因此深度学习在大多数情况下都获得了空前的成功，例如计算机视觉[10]，自然语言处理[11]和语音识别[12]。特别是，计算机视觉的进步和成功同时促使人们在医学图像分析中使用深度学习[13，14]。

流行的网络框架

介绍了前馈神经网络、堆叠自编码器、深度信念网络、深度玻尔兹曼机、生成对抗网络、卷积神经网络、图卷积网络与循环神经网络。

在阿尔茨海默症上的工作

集中介绍了关于分类诊断的工作；

未来展望

【1】尽管深度学习模型在基于神经影像的脑部疾病分析领域取得了巨大的成功，但仍有一些挑战值得进一步研究。我们总结了以下潜在挑战，并探讨了可能的解决方案。首先，深度学习方法需要大量样本来训练神经网络，而在许多实际情况下，尤其是对于神经影像数据，通常很难获取训练样本。在神经图像分析中缺乏足够的训练数据已被反复提及，这是应用深度学习算法的挑战。为了应对这一挑战，已经提出了数据增强策略并将其广泛用于扩大训练样本的数量。另外，迁移学习通过将大样本数据集（与待分析疾病相关）上训练有素的网络转移到小样本数据集进行进一步训练，提供了另一种解决方案。
【2】其次，在多模态神经影像学研究中不可避免的会出现数据丢失问题，因为由于患者辍学和数据质量差，受试者可能缺乏某些模态。常规方法通常丢弃数据丢失的受试者，这将显着减少训练受试者的数量并降低诊断性能。尽管已经提出了许多数据插补方法，但大多数方法都集中在插补专家定义的代表神经图像的手工缺失特征值上，而手工特征本身对于疾病的诊断和预后却没有区别。最近的几项研究提议基于另一种形式的神经影像（例如MRI）直接估算缺失的神经影像（例如PET），而尚未探究成像数据与非成像数据之间的对应关系。我们希望在不久的将来看到更深的网络体系结构，以探索不同数据模态之间的关联，以估算那些丢失的数据。
【3】第三，有效融合多模态数据一直是该领域的挑战。多模态数据从不同方面反映了正常组织器官的形态，结构和生理功能，并且在不同模型之间具有很强的互补性。先前对多模态数据融合的研究可分为两类，数据级别融合（专注于如何组合来自不同模态的数据）和决策级别融合（专注于集成分类器）。深度神经网络架构允许多形式融合的第三种形式，即学习表示的中间融合，为多模态融合提供了真正灵活的方法。随着深度学习架构在其隐藏层上学习基础数据的层次表示，可以将不同模态之间的学习表示融合到各种抽象级别。需要进一步研究以研究深度集成的哪一层最适合当前的问题。
【4】此外，不同的成像方式通常反映大脑的不同时空尺度信息。例如，sMRI数据反映了大脑的微小尺度的时标信息，而fMRI数据可以提供第二尺度的时标信息。在脑部疾病的实际诊断中，通过正确介绍患病的大脑区域和其他区域的空间关系以及疾病进展的时间关系，对实施早期诊断和医疗干预具有重要意义。尽管先前的研究已经开始在广泛的时空尺度上研究脑部疾病的病理机制，但是这些方法通常考虑时空特征。因此，期望开发一系列深度学习框架来融合时间和空间信息，以自动诊断脑部疾病。
【5】最后，由于来自多个成像站点的大量受试者对于研究受疾病影响的大脑的病理变化非常有用，因此最近将多站点数据用于疾病分析已引起了越来越多的关注。通过假设这些多站点数据是从相同的数据分布中得出的，以前的方法通常会因不同的扫描参数和不同成像站点中的对象群体而导致站点间异质性。使用异构多站点数据构建准确而强大的学习模型仍然是一项艰巨的任务。为了减轻站点间数据的异质性，同时学习跨多个站点的自适应分类器和可传递特征可能是一种有前途的方法。