融合來自多個中心的醫(yī)學(xué)數(shù)據(jù)能夠增加樣本數(shù)量,有助于研究自閉癥譜系障礙（Autism spectrum disorder,ASD）的病理變化。因此,如何有效地利用多中心數(shù)據(jù),提高對ASD診斷的準(zhǔn)確性受到了越來越多的關(guān)注。然而,以往的大部分研究忽略了多中心數(shù)據(jù)的異質(zhì)性（如受試者群體和掃描參數(shù)的不同）,這可能會降低模型在多中心數(shù)據(jù)上對疾病診斷的性能。為了解決這一問題,提出一種基于聯(lián)合分布最優(yōu)傳輸（Joint distribution optimal transport,JDOT）的領(lǐng)域自適應(yīng)模型鑒別ASD。選擇一個中心作為目標(biāo)域,其余的中心作為源域,假設(shè)兩個域的聯(lián)合特征、標(biāo)簽空間分布之間存在非線性映射,利用最優(yōu)傳輸方法交替優(yōu)化傳輸矩陣和分類器。結(jié)果表明,在多中心靜息態(tài)功能磁共振成像（resting state functional magnetic resonance imaging,rs-fMRI）數(shù)據(jù)上,該模型能夠有效提高對ASD鑒別的準(zhǔn)確性。 

【文章來源】：數(shù)據(jù)采集與處理. 2020,35(03)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

JDOT模型

通過Preprocessed Connectomes Project(http://preprocessed-connectomes-project.org)獲取由腦連接組分析程序（Configurable pipeline for the analysis of connectome,C-PAC）預(yù)處理的rs-fMRI數(shù)據(jù)。如圖2所示，對rs-fMRI圖像的預(yù)處理過程包括時間層校正、頭動校正和空間標(biāo)準(zhǔn)化，并通過干擾回歸去除由掃描儀誤差和受試者呼吸、心臟搏動引起的信號波動，然后將包含116個預(yù)定義感興趣區(qū)域(Regions of interest,ROIs)的解刨學(xué)自動標(biāo)記(Antomical automatic labeling,AAL)圖譜對齊到每個圖像上，提取每個ROI內(nèi)的平均響應(yīng)時間序列。最后通過計(jì)算ROI之間的皮爾遜相關(guān)系數(shù)獲得功能連接矩陣，每條邊的權(quán)值代表兩個ROI之間的相關(guān)性。由于該矩陣具有對稱性，即上三角部分與下三角部分的取值相同，而對角線上的取值僅表示每個ROI與自身的相關(guān)性。為了簡單起見，選取功能連接矩陣去除對角線的下三角部分，并將其轉(zhuǎn)換成向量作為樣本特征。至此，對每一個受試者生成一個6 670維的特征向量。1.2 基于聯(lián)合分布最優(yōu)傳輸?shù)念I(lǐng)域自適應(yīng)方法

在實(shí)驗(yàn)中設(shè)置分類器f的網(wǎng)絡(luò)架構(gòu)包括1個輸入層、3個隱含層和1個輸出層。輸入層的維度為6 670;3個隱含層的維度分別為10,5,5，激活函數(shù)為ReLU;輸出層的維度為2，激活函數(shù)為softmax。損失函數(shù)選擇交叉熵?fù)p失，使用隨機(jī)梯度下降優(yōu)化算法更新模型參數(shù)。輪流選擇1個中心作為目標(biāo)域，其余的中心作為源域。JDOT模型的Ls,Lt均選擇交叉熵?fù)p失函數(shù)[17]。為方便起見，從源域和目標(biāo)域隨機(jī)抽取的mini-batch的大小設(shè)置為m=Nt。設(shè)模型超參數(shù)α，λ的取值范圍分別為α={0.001,0.01,0.1,0.5,1}，λ={0.001,0.01,0.1,0.5,1}。超參數(shù)α，λ的取值對JDOT模型性能的影響見圖3。在取值范圍內(nèi)，當(dāng)α取值為1時，JDOT模型在5個目標(biāo)中心對ASD和NC分類的平均準(zhǔn)確性、敏感性和特異性都達(dá)到了較優(yōu)的水平，且當(dāng)λ的取值為1時，模型的性能最優(yōu)。輪流在Leuven,NYU,UCLA,UM和USM中選擇1個中心作為目標(biāo)域，其余的中心作為源域。選擇3種用于無監(jiān)督領(lǐng)域自適應(yīng)的模型和JDOT模型作橫向比較，分別是基于子空間對齊(Subspace alignment,SA)[9]的領(lǐng)域自適應(yīng)、基于二階統(tǒng)計(jì)量的領(lǐng)域自適應(yīng)(Correlation alignment,CORAL)[10]、基于最優(yōu)傳輸?shù)念I(lǐng)域自適應(yīng)(Optimal transport domain adaptation,OTDA)[12]。其中，SA的子空間維度通過最小化子空間之間的Bregman散度來選擇。模型在5個目標(biāo)中心的分類準(zhǔn)確性、敏感性和特異性分別見圖4―6，性能評估參數(shù)值詳見表2。相比之下，JDOT模型取得了最高的平均準(zhǔn)確性(68.11%)。在對Leuven,NYU,UM,USM 4個中心鑒別ASD時，JDOT模型均取得了最高的準(zhǔn)確性(分別是70.18%,67.07%,68.14%,71.67%);在Leuven,NYU和USM 3個中心，模型均取得了最高的敏感性(分別是68.00%,67.61%,60.53%);在UM,USM兩個中心，模型均取得了最高的特異性(分別是69.23%,90.91%)。特別地，在對USM中心鑒別ASD時，模型取得了71.67%的準(zhǔn)確性、60.53%的敏感性和90.91%的特異性，均高于其他領(lǐng)域自適應(yīng)方法。綜合上述實(shí)驗(yàn)結(jié)果，可以說明同時考慮聯(lián)合特征、標(biāo)簽空間的概率分布，利用最優(yōu)傳輸方法，實(shí)現(xiàn)源域和目標(biāo)域之間的非線性映射，能夠在一定程度上減少域間差異，提高模型對多中心ASD鑒別的有效性。此外，OTDA模型取得了僅次于JDOT模型的平均準(zhǔn)確性(65.82%)和最高的平均敏感性(64.86%)，在對UCLA中心鑒別ASD時，模型取得了最高的準(zhǔn)確性(67.57%);在UCLA和UM兩個中心，模型均取得了最高的敏感性(分別是69.44%,70.83%)。這在一定程度上說明了最優(yōu)傳輸方法對減少源域和目標(biāo)域的數(shù)據(jù)差異、提高模型性能的有效性。


本文編號：3570602