第6期 郭磊，等：4D卷积神经网络的自闭症功能磁共振图像分类 ·1027· NYU、UM1和USM这3个数据集上不同方法所 T3D(AUC=0.6204) 1.0r。-4D-CNN(AUC=0.7160) 获得的ROC曲线。可以看出，4D-CNN的 08 ROC曲线在整体上优于其他方法，说明本文的方 法对自闭症有更好的识别能力。ROC曲线下的 面积即为AUC值，AUC值能很好地描述模型整 0.4 ￥2CC3D(AUC=0.5617) 体性能的高低，从图3可以看出，在NYU数据集 02 3D-CNN (AUC=0.571 0) Alex (AUC=0.635 8) 上4D-CNN的AUC值为0.7846，明显高于其他方 0.2 0.40.6 0.81.0 法。在图4、5中，4D-CNN的AUC值也高于大多 假阳性率(FPR) 数方法。 图4不同方法的ROC曲线UM1) Fig.4 ROC curve of different methods(UM 1) 表8不同方法在自闭症分类中的性能比较(UM1) Table 8 Comparison of the performances of different 1.0 -T3D(AUC=0.5376) methods for autism classification (UM 1) 0.8 4D-CNN (AUC-0.6692 方法 ACC AUC SEN SPE 0.6 ROI-net 0.5833 0.5826 0.7222 0.4444 0.4 2CC3D(AUC=0.6729) T3D 0.6389 0.6204 0.5000 0.7778 0.2 BD-CNN(AUC- 0.6203 --Alex(AUC=0.6053) AlexNet 0.6389 0.6358 0.5556 0.7222 02 0.40.6 0.81.0 假阳性率(FPR) 3D-CNN 0.5556 0.5710 0.6111 0.5000 图5不同方法的ROC曲线USM) 2CC3D 0.5833 0.5617 0.6111 0.5556 Fig.5 ROC curve of different methods(USM) 4D-CNN 0.6944 0.7160 0.6667 0.7222 结束语 表9不同方法在自闭症分类中的性能比较(US 本文提出了一个四维的卷积神经网络对自闭 Table 9 Comparison of the performances of different 症的功能磁共振图像进行分类。具体来说，首先 methods for autism classification (USM) 对所有的fMRI进行预处理，然后通过提出的模 方法 ACC AUC SEN SPE 型直接对图像进行训练。根据不断的迭代更新参 ROI-net 0.5758 0.5935 0.5000 0.6316 数，得到了一个具有显著识别能力的4D-CNN。 在提出的网络中，训练过程完全保留了受试者的 T3D 0.5152 0.5376 0.4286 0.5789 全局特征和连续的时间特征，从而获得了较好的 AlexNet 0.5758 0.6053 0.6429 0.5263 实验结果。对来自不同数据集的受试者实验表 3D-CNN 0.6061 0.6203 0.5714 0.6316 明，所提出的4D-CNN方法可以使用MRI数据有 效地对脑疾病进行诊断。 2CC3D 0.6364 0.6729 0.7857 0.5263 参考文献： 4D-CNN 0.6970 0.6692 0.7143 0.6842 [1]张芬，王穗苹，杨娟华，等.自闭症谱系障碍者异常的大 +-T3D(AUC=0.6429) 脑功能连接).心理科学进展，2015,23(7八：1196-1204 1.0r4D-CNN(AUC=0.7846) ZHANG Fen,WANG Suiping,YANG Juanhua,et al. 0.8 Atypical brain functional connectivity in autism spectrum 0.6 disorders[J].Advances in psychological science,2015, 23(7):1196-1204 0.4 -2CC3D(AUC=0.6258) [2]CABALLERO-GAUDES C.REYNOLDS R C.Methods 0.2 3D-CNN(AUC-=0.6571) .A1ex(AUC=0.7071) for cleaning the BOLD fMRI signal[J].Neuroimage,2017, 0.2 0.40.60.81.0 154:128-149 假阳性率(FPR) [3]MOELLER S,YACOUB E,OLMAN C A,et al.Mult- 图3不同方法的ROC曲线NYU) iband multislice GE-EPI at 7 tesla,with 16-fold accelera- Fig.3 ROC curve of different methods(NYU) tion using partial parallel imaging with application to highNYU、UM_1 和 USM 这 3 个数据集上不同方法所 获 得 的 R O C 曲线。可以看出， 4D-CN N 的 ROC 曲线在整体上优于其他方法，说明本文的方 法对自闭症有更好的识别能力。ROC 曲线下的 面积即为 AUC 值，AUC 值能很好地描述模型整 体性能的高低，从图 3 可以看出，在 NYU 数据集 上 4D-CNN 的 AUC 值为 0.784 6，明显高于其他方 法。在图 4、5 中，4D-CNN 的 AUC 值也高于大多 数方法。 表 8 不同方法在自闭症分类中的性能比较 (UM_1) Table 8 Comparison of the performances of different methods for autism classification (UM_1) 方法 ACC AUC SEN SPE ROI-net 0.583 3 0.582 6 0.722 2 0.4444 T3D 0.638 9 0.620 4 0.500 0 0.7778 AlexNet 0.638 9 0.635 8 0.555 6 0.7222 3D-CNN 0.555 6 0.571 0 0.611 1 0.5000 2CC3D 0.583 3 0.561 7 0.611 1 0.5556 4D-CNN 0.694 4 0.716 0 0.666 7 0.7222 表 9 不同方法在自闭症分类中的性能比较 (USM) Table 9 Comparison of the performances of different methods for autism classification (USM) 方法 ACC AUC SEN SPE ROI-net 0.575 8 0.593 5 0.500 0 0.6316 T3D 0.515 2 0.537 6 0.428 6 0.5789 AlexNet 0.575 8 0.605 3 0.642 9 0.5263 3D-CNN 0.606 1 0.620 3 0.571 4 0.6316 2CC3D 0.636 4 0.672 9 0.785 7 0.5263 4D-CNN 0.697 0 0.669 2 0.714 3 0.6842 1.0 0.8 0.6 真阳性率 (TPR) 假阳性率 (FPR) 0.4 0.2 0 0.2 0.4 0.6 2CC3D (AUC=0.625 8) 3D−CNN (AUC=0.657 1) Alex (AUC=0.707 1) 0.8 1.0 T3D (AUC=0.642 9) 4D−CNN (AUC=0.784 6) 图 3 不同方法的 ROC 曲线 (NYU) Fig. 3 ROC curve of different methods (NYU) 1.0 0.8 0.6 真阳性率 (TPR) 假阳性率 (FPR) 0.4 0.2 0 0.2 0.4 0.6 2CC3D (AUC=0.561 7) 3D−CNN (AUC=0.571 0) Alex (AUC=0.635 8) 0.8 1.0 T3D (AUC=0.620 4) 4D−CNN (AUC=0.716 0) 图 4 不同方法的 ROC 曲线 (UM_1) Fig. 4 ROC curve of different methods(UM_1) 1.0 0.8 0.6 真阳性率 (TPR) 假阳性率 (FPR) 0.4 0.2 0 0.2 0.4 0.6 2CC3D (AUC=0.672 9) 3D−CNN (AUC=0.620 3) Alex (AUC=0.605 3) 0.8 1.0 T3D (AUC=0.537 6) 4D−CNN (AUC=0.669 2) 图 5 不同方法的 ROC 曲线 (USM) Fig. 5 ROC curve of different methods (USM) 4 结束语 本文提出了一个四维的卷积神经网络对自闭 症的功能磁共振图像进行分类。具体来说，首先 对所有的 fMRI 进行预处理，然后通过提出的模 型直接对图像进行训练。根据不断的迭代更新参 数，得到了一个具有显著识别能力的 4D-CNN。 在提出的网络中，训练过程完全保留了受试者的 全局特征和连续的时间特征，从而获得了较好的 实验结果。对来自不同数据集的受试者实验表 明，所提出的 4D-CNN 方法可以使用 fMRI 数据有 效地对脑疾病进行诊断。 参考文献： 张芬, 王穗苹, 杨娟华, 等. 自闭症谱系障碍者异常的大 脑功能连接 [J]. 心理科学进展, 2015, 23(7): 1196–1204. ZHANG Fen, WANG Suiping, YANG Juanhua, et al. Atypical brain functional connectivity in autism spectrum disorders[J]. Advances in psychological science, 2015, 23(7): 1196–1204. [1] CABALLERO-GAUDES C, REYNOLDS R C. Methods for cleaning the BOLD fMRI signal[J]. Neuroimage, 2017, 154: 128–149. [2] MOELLER S, YACOUB E, OLMAN C A, et al. Mult￾iband multislice GE-EPI at 7 tesla, with 16-fold accelera￾tion using partial parallel imaging with application to high [3] 第 6 期 郭磊，等：4D 卷积神经网络的自闭症功能磁共振图像分类 ·1027·