為更好地幫助到想要利用神經(jīng)影像做科研的客戶們，拓展思影科技的業(yè)務(wù)范圍,思影科技推出腦影像機(jī)器學(xué)習(xí)數(shù)據(jù)處理業(yè)務(wù)。如感興趣請(qǐng)聯(lián)系楊曉飛siyingyxf或18983979082（微信號(hào)）進(jìn)行咨詢，電話：18580429226

一、數(shù)據(jù)質(zhì)量檢查     

數(shù)據(jù)質(zhì)量檢查包括：   

（1）對(duì)于原始數(shù)據(jù)，檢查圖像是否具有明顯的形變、缺損、偽影等；   

（2）檢查圖像參數(shù)是否合適，如圖像維度、體素大小等；   

（3）對(duì)于預(yù)處理后的數(shù)據(jù)，檢查所有被試的圖像參數(shù)是否一致。 

二、特征構(gòu)建

      本部分描述可用于后續(xù)分類/預(yù)測(cè)的影像指標(biāo)及其篩選方式。 

2.1特征構(gòu)建

1.fMRI指標(biāo)。fMRI（功能磁共振）數(shù)據(jù)經(jīng)過(guò)時(shí)間層校正、頭動(dòng)校正、空間標(biāo)準(zhǔn)化、降噪等預(yù)處理步驟后，可計(jì)算ALFF（低頻振幅）、ReHo（局部一致性）、FC（功能連接）、VMHC（鏡像同倫功能連接）等指標(biāo)。以上指標(biāo)可以在體素水平計(jì)算。

圖示.fMRI指標(biāo)：ReHo（左）與ALFF（右）

2.sMRI指標(biāo)。sMRI（結(jié)構(gòu)磁共振）數(shù)據(jù)經(jīng)分割后，可計(jì)算灰質(zhì)體積/密度、白質(zhì)體積/密度等指標(biāo)；也可計(jì)算皮層厚度、皮層局部回指數(shù)等指標(biāo)。以上指標(biāo)可以在體素/頂點(diǎn)水平計(jì)算。

3.dMRI指標(biāo)。dMRI（彌散磁共振）數(shù)據(jù)經(jīng)頭動(dòng)渦流校正、張量擬合等預(yù)處理步驟后，可得到FA、MD、AD、RD等指標(biāo)。以上指標(biāo)可以在體素水平計(jì)算。

圖示.彌散影像指標(biāo)。

4.灌注成像指標(biāo)。基于灌注成像數(shù)據(jù)（如ASL，即動(dòng)脈自旋標(biāo)記數(shù)據(jù)），可以計(jì)算腦血流（CBF）等指標(biāo)。以上指標(biāo)可以在體素水平計(jì)算。

5.腦網(wǎng)絡(luò)。利用特定的腦圖譜（如AAL Atlas），基于fMRI數(shù)據(jù)，可以構(gòu)建全腦功能腦網(wǎng)絡(luò)；基于dMRI數(shù)據(jù)，可以構(gòu)建全腦結(jié)構(gòu)腦網(wǎng)絡(luò)（FA、FN加權(quán)）。以上指標(biāo)非體素水平指標(biāo)。

圖示.功能腦網(wǎng)絡(luò)示例

6.特征尺度可改變。上述fMRI、sMRI、dMRI、灌注指標(biāo)，皆可提取特定腦區(qū)的數(shù)值作為特征。利用特定的腦圖譜，可提取每個(gè)單獨(dú)腦區(qū)的平均指標(biāo)值。

圖示.提取每個(gè)單獨(dú)腦區(qū)的指標(biāo)作為特征。

7.行為量表。您自行收集的行為量表得分，也可作為特征納入后續(xù)分析。

8.PET。PET（正電子發(fā)射斷層顯像）數(shù)據(jù)經(jīng)過(guò)頭動(dòng)校正、空間標(biāo)準(zhǔn)化、平滑等預(yù)處理步驟后，可計(jì)算SUV（標(biāo)準(zhǔn)攝取值）等指標(biāo)。以上指標(biāo)可以在體素水平計(jì)算。

圖示.PET指標(biāo)SUV

注：上述內(nèi)容包含了常見的腦影像指標(biāo)，理論上幾乎所有影像指標(biāo)都可以作為特征來(lái)使用，如果您有合適的想法，可以聯(lián)系我們進(jìn)行協(xié)商。上述指標(biāo)的具體計(jì)算，可以參考我們的其他數(shù)據(jù)處理業(yè)務(wù)。

2.2 特征篩選     

1.相關(guān)法。計(jì)算每個(gè)特征與量表的相關(guān)性（如皮爾遜相關(guān)），保留相關(guān)值高的特征。     

2.參數(shù)檢驗(yàn)法。對(duì)不同組別人群的特征做假設(shè)檢驗(yàn)（比如對(duì)兩組人群的特征做雙樣本T檢驗(yàn)），保留通過(guò)假設(shè)檢驗(yàn)的特征。     

3.主成分分析（PCA）法。將所有特征分解成一系列主成分，保留排名靠前的主成分作為特征。     

4.遞歸特征消除法。循序漸進(jìn)地刪除影響最小的特征，直至保留特定數(shù)目的最重要的特征為止。      

5. 稀疏特征表示。可以選擇使用LASSO回歸（及其變種）、低秩（Low-Rank）等特征選擇/表示方法。 

三、機(jī)器學(xué)習(xí)方法     

機(jī)器學(xué)習(xí)模型是實(shí)現(xiàn)分類/預(yù)測(cè)的核心所在，我們可以提供神經(jīng)影像領(lǐng)域最為熱門的模型，方便大家選擇。這些模型可用來(lái)實(shí)現(xiàn)MVPA分析，尋找合適的影像生物標(biāo)記。

3.1可用模型      

1.支持向量機(jī)（SVM）。在許多情況下，支持向量機(jī)都是二分類模型的首選。通過(guò)使用核函數(shù)，即使基于線性不可分的數(shù)據(jù)，也可獲得較好的分類精度。引入投票機(jī)制后，亦可將該模型應(yīng)用于多分類場(chǎng)景。

圖示.支持向量機(jī)（SVM）。

2.回歸模型。回歸模型主要用于預(yù)測(cè)連續(xù)變量（如量表得分）?？蛇x的回歸模型有線性回歸（GLM）、多項(xiàng)式回歸等，也包含其變種，如LASSO回歸、嶺回歸、Elastic Net等。其他可選回歸模型有：支持向量回歸（SVR）、關(guān)聯(lián)向量回歸（RVR）等。

圖示.各種回歸模型。

3.集成學(xué)習(xí)。當(dāng)單一的分類器性能不良時(shí)，可以考慮集成多個(gè)弱分類器，形成一個(gè)強(qiáng)分類器?？蛇x的集成學(xué)習(xí)模型有隨機(jī)森林等。      

4.神經(jīng)網(wǎng)絡(luò)。當(dāng)沒(méi)有良好的手工選擇的特征時(shí)，可以考慮選用深度神經(jīng)網(wǎng)絡(luò)（主要基于CNN來(lái)實(shí)現(xiàn)）模型。該模型可以自動(dòng)從原始數(shù)據(jù)中提取特征，用于后續(xù)的預(yù)測(cè)任務(wù)。      

5.聚類。當(dāng)數(shù)據(jù)沒(méi)有標(biāo)簽時(shí)，可以選擇無(wú)監(jiān)督學(xué)習(xí)算法，如K-means聚類。      

6.上述模型的變種。如基于腦連接組的預(yù)測(cè)模型（CPM），是一種利用腦網(wǎng)絡(luò)特征和線性/多項(xiàng)式模型進(jìn)行預(yù)測(cè)的方法。

圖示.基于腦連接組的預(yù)測(cè)模型(CPM)。

7.多模態(tài)融合學(xué)習(xí)。可以對(duì)多種模態(tài)的特征kernel進(jìn)行融合，實(shí)現(xiàn)多核SVM學(xué)習(xí)；也可以使用卷積神經(jīng)網(wǎng)絡(luò)融合多模態(tài)數(shù)據(jù)，充分利用各種模態(tài)的特征。

圖示.基于多模態(tài)特征的SVM分類

圖示.使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行多模態(tài)融合

3.2 參數(shù)優(yōu)化&精度評(píng)估      

如果選擇的模型具有超參數(shù)，則可以選擇進(jìn)行超參數(shù)優(yōu)化（即“調(diào)參”）。為了量化模型的預(yù)測(cè)效果，需要進(jìn)行精度評(píng)估。參數(shù)優(yōu)化與精度評(píng)估皆可通過(guò)交叉驗(yàn)證的方式進(jìn)行。可選的交叉驗(yàn)證方式：S折交叉驗(yàn)證、留一交叉驗(yàn)證、嵌套交叉驗(yàn)證等。

圖示.交叉驗(yàn)證過(guò)程

為了驗(yàn)證精度指標(biāo)是否顯著有效（區(qū)別于隨機(jī)猜測(cè)），可以打亂數(shù)據(jù)的標(biāo)簽，重新訓(xùn)練并預(yù)測(cè)。上述置換檢驗(yàn)的過(guò)程，可以計(jì)算用來(lái)驗(yàn)證精度指標(biāo)結(jié)果是否可靠的p值。      

注：我們可以提供的機(jī)器學(xué)習(xí)模型包括但不限于以上內(nèi)容。其他模型如K近鄰、樸素貝葉斯（Naive Bayes）、線性判別分析（LDA）、主成分分析（PCA）、決策樹或上述模型的變種，亦可根據(jù)需求實(shí)現(xiàn)。您可以選擇其中的一種或多種進(jìn)行嘗試。 

四、結(jié)果匯報(bào)&可視化

結(jié)果匯報(bào)內(nèi)容包括：

    （1）對(duì)于分類模型，可匯報(bào)敏感性（Sensitivity）、特異性（Specificity）、總精度、ROC曲線下面積（AUC）等精度指標(biāo)；

    （2）對(duì)于回歸模型，可以匯報(bào)相關(guān)值、MSE、MAE等精度指標(biāo)；

    （3）置換檢驗(yàn)的結(jié)果，如p值。

圖示.ROC曲線可視化

結(jié)果可視化內(nèi)容包括：

（1）對(duì)于分類模型，可繪制ROC曲線圖；

（2）對(duì)于回歸模型，可繪制相關(guān)圖；

（3）對(duì)于模型訓(xùn)練過(guò)程中發(fā)現(xiàn)的貢獻(xiàn)較大的特征，可繪制點(diǎn)線圖、矩陣圖、圈狀圖等等。

圖示.體素特征權(quán)重可視化

圖示. 腦網(wǎng)絡(luò)特征的點(diǎn)線圖、矩陣圖、圈狀圖可視化

五、基于最新的機(jī)器學(xué)習(xí)（如深度神經(jīng)網(wǎng)絡(luò)）模型，我們還可以對(duì)腦腫瘤影像進(jìn)行影像組學(xué)分析。

六、定制化服務(wù)

圖示.工程師在討論

1. 分析方法可定制。思影科技可根據(jù)您提供的模板文獻(xiàn)，基于您的實(shí)驗(yàn)數(shù)據(jù)，實(shí)現(xiàn)文獻(xiàn)中使用的數(shù)據(jù)分析方法。此外，未列出的分析方法，只要在思影科技的能力范圍內(nèi)，盡力實(shí)現(xiàn)您的想法。

2. 分析代碼可定制。您可以選擇不同的平臺(tái)/軟件來(lái)實(shí)現(xiàn)想法。在沒(méi)有現(xiàn)有的軟件適用于您的數(shù)據(jù)分析需求時(shí)，思影科技會(huì)與您協(xié)商，通過(guò)編寫代碼實(shí)現(xiàn)您的想法，并提供代碼的完整實(shí)現(xiàn)。

3.可視化方案可定制。如果您有特殊的可視化方案要求，也可與我們協(xié)商實(shí)現(xiàn)。

微信掃碼或者長(zhǎng)按選擇識(shí)別關(guān)注思影