第4期 孔伶旭，等：迁移学习特征提取的s-MRI早期轻度认知障碍分类 ·667· 果，并计算分类准确率， 2mm或任一方向转动超过2)的头部运动； 6)重复执行步骤4)5)至分类准确率收敛。 7)进行归一化和平滑，并将所有数据都过滤 到一个频率范围(0.010.08Hz): 4实验设置及结果 8)使用AAL图谱将大脑分为116个ROL,如 4.1数据来源及预处理 图6所示，每个半脑球包含58个区域，最后得到 在本实验中，所采用的rs-fMRI数据均来源于 一个116×130的矩阵，其中列为兴趣数，行为时间 阿尔茨海默病神经影像学数据库(Alzheimer's 维度：最后根据所有被试的头动情况，图像成像 disease neuroimaging initiative,ADNI),其网址 质量以及结构和功能像的配准质量对数据进行过 为http:/adni.loni.usc.edu/。在该数据库中，我们选 滤，最终分别得到了32个EMCI和NC图像。 择了ADNI-2阶段的rs-fMRI数据，其具体参数详 见表1，从中我们分别得到了32个EMCI和正常 对照组(normal control,NC)的可用的被试数据， 且两组被试内的年龄和性别分布没有明显差异。 表1rs-fMRI数据相关参数 Table 1 rs-fMRI data related parameters 参数 描述 数据库 ADNI-2 图6大脑节点 磁场强度T 3.0 Fig.6 Top-level design 采集设备 Philip 4.2实验方法 翻转角/() 80 在实验中，采用两种方法对rs-fMRI进行降 TR/ms 300 维，一种仅通过AAL提取ROI,一种为提取 TE/ms 30 ROI后再求pearson相关系数，因为pearson相关 像素大小 系数通常用于衡量功能连接的强度2，因此也可 3.3mm×3.3mm 以使用它来衡量不同大脑区域之间的功能连接。 切片数量 48 其具体参数详见表2。在对数据降维后，采用两 TR数 140 种方法提取特征值和分类，分别采用SAE和迁移 数据预处理采用数据处理和脑成像分析(data 网络MobileNet,.具体参数也由表2列出，由此我 processing&analysis of brain imaging,DPABD）)工.具 们分别得到以下4种方法的分类结果： 箱7，具体过程如下： 1)SAE_ROI:由AAL得到ROI,再由SAE提 1)去除每个被试者前10帧图像，仅保留 取特征值后分类： 130帧图像； 2)SAE_Corr:由AAL得到ROL,再求pear- 2)以第48帧图像为基准对所有的图像进行 son相关系数，再由SAE提取pearson相关系数的 校准，使每个切片上的数据具有相同时间点； 特征值后分类。 3)对所有被试进行头动校正，将头动校正到 3)Transf Corr:由AAL得到ROI,再求pear- 同一位置，并为接下来的图像质量控制提供数据； son相关系数，再由MoblieNet提取pearson相关 4)将与rS-fMRI数据匹配的MRI数据进行颅 系数特征值后进入TOP层分类： 骨剥离，然后同功能图像进行配准，将MRI数据 4)Transf ROI:由AAL得到ROL,再由Mob- 变换到rs-fMRI数据的空间，使得rs-fMRI数据可 lieNet提取ROI特征值后进入TOP层进行分类， 以被分割成脑脊髓液、灰质和白质信号： 计算步骤也可参见表1。 5)去除一些混淆因素，将全局平均信号、脑 以上方法的分类方法都将采用k折交叉验证 脊髓液和白质信号被作为无关变量去除，且以 以防止发生过度拟合问题2，其中k取5。实验 6个头动参数（包含3个转动参数和3个平动参 中分类准确率计算过程为：将总数据样本随机分 数)去除头动带来的影响； 成5份，选择其一作为验证集，其余4个作为训练 6)评估被试者头部的旋转和平移，发现所有 集，每个子样本用作测试集一次，交叉验证重复 参与者都没有表现出过度（任一方向平移超过 5次，分类准确率就为5次分类结果的平均值。果，并计算分类准确率; 6) 重复执行步骤 4)~5) 至分类准确率收敛。 4 实验设置及结果 4.1 数据来源及预处理 在本实验中，所采用的 rs-fMRI 数据均来源于 阿尔茨海默病神经影像学数据库 (Alzheimer’s disease neuroimaging initiative，ADNI)，其网址 为 http://adni.loni.usc.edu/。在该数据库中，我们选 择了 ADNI-2 阶段的 rs-fMRI 数据，其具体参数详 见表 1，从中我们分别得到了 32 个 EMCI 和正常 对照组 (normal control, NC) 的可用的被试数据， 且两组被试内的年龄和性别分布没有明显差异。 表 1 rs-fMRI 数据相关参数 Table 1 rs-fMRI data related parameters 参数 描述 数据库 ADNI-2 磁场强度/T 3.0 采集设备 Philip 翻转角/(°) 80 TR/ms 300 TE/ms 30 像素大小 3.3 mm×3.3 mm 切片数量 48 TR数 140 数据预处理采用数据处理和脑成像分析 (data processing & analysis of brain imaging，DPABI) 工具 箱 [27] ，具体过程如下： 1) 去除每个被试者 前 10 帧图像，仅保 留 130 帧图像； 2) 以第 48 帧图像为基准对所有的图像进行 校准，使每个切片上的数据具有相同时间点； 3) 对所有被试进行头动校正，将头动校正到 同一位置，并为接下来的图像质量控制提供数据； 4) 将与 rs-fMRI 数据匹配的 MRI 数据进行颅 骨剥离，然后同功能图像进行配准，将 MRI 数据 变换到 rs-fMRI 数据的空间，使得 rs-fMRI 数据可 以被分割成脑脊髓液、灰质和白质信号； 5) 去除一些混淆因素，将全局平均信号、脑 脊髓液和白质信号被作为无关变量去除，且以 6 个头动参数 (包含 3 个转动参数和 3 个平动参 数) 去除头动带来的影响； 6) 评估被试者头部的旋转和平移，发现所有 参与者都没有表现出过度 (任一方向平移超过 2 mm 或任一方向转动超过 2°) 的头部运动； 7) 进行归一化和平滑，并将所有数据都过滤 到一个频率范围 (0.01~0.08 Hz)； × 8) 使用 AAL 图谱将大脑分为 116 个 ROI，如 图 6 所示，每个半脑球包含 58 个区域，最后得到 一个 116 130 的矩阵，其中列为兴趣数，行为时间 维度；最后根据所有被试的头动情况，图像成像 质量以及结构和功能像的配准质量对数据进行过 滤，最终分别得到了 32 个 EMCI 和 NC 图像。 L 1 6 R 图 6 大脑节点 Fig. 6 Top-level design 4.2 实验方法 在实验中，采用两种方法对 rs-fMRI 进行降 维，一种仅通 过 A AL 提 取 ROI ，一种为提 取 ROI 后再求 pearson 相关系数，因为 pearson 相关 系数通常用于衡量功能连接的强度[28] ，因此也可 以使用它来衡量不同大脑区域之间的功能连接。 其具体参数详见表 2。在对数据降维后，采用两 种方法提取特征值和分类，分别采用 SAE 和迁移 网络 MobileNet，具体参数也由表 2 列出，由此我 们分别得到以下 4 种方法的分类结果： 1)SAE_ROI：由 AAL 得到 ROI，再由 SAE 提 取特征值后分类； 2)SAE_Corr：由 AAL 得到 ROI，再求 pear￾son 相关系数，再由 SAE 提取 pearson 相关系数的 特征值后分类。 3)Transf_Corr：由 AAL 得到 ROI，再求 pear￾son 相关系数，再由 MoblieNet 提取 pearson 相关 系数特征值后进入 TOP 层分类； 4)Transf_ROI：由 AAL 得到 ROI，再由 Mob￾lieNet 提取 ROI 特征值后进入 TOP 层进行分类， 计算步骤也可参见表 1。 k k 以上方法的分类方法都将采用 折交叉验证 以防止发生过度拟合问题[29] ，其中 取 5。实验 中分类准确率计算过程为：将总数据样本随机分 成 5 份，选择其一作为验证集，其余 4 个作为训练 集，每个子样本用作测试集一次，交叉验证重复 5 次，分类准确率就为 5 次分类结果的平均值。 第 4 期 孔伶旭，等：迁移学习特征提取的 rs-fMRI 早期轻度认知障碍分类 ·667·