·664· 智能系统学报 第16卷 映功能连接特性，因此可以使用fMRI数据来有 息，因此是一个Nr×Nx×Nr×2的四维数据，其 效诊断AD和EMCI。然而，采集fMRI通常需要 中Nr表示时间维度，Nx、Ny和N2分别表示脑区 被试者完成特定的实验任务，因此fMRI数据又 的3个空间维度。目前，常用的CNN大多是针对 往往与完成的任务有关。其实，大脑即使在不完 二维图像的分类网络，因此s-fMRI并不能直接拿 成任何特定任务时，各脑区仍然在相互作用，存 来作为输入。当然，由于AD影像数据的高维特 在一个默认的功能网络，而这种默认模式在一些 性，近年来还出现了一些三维CNN网络2，但作 认知障碍的大脑疾病中通常遭到了破坏，因此s 为四维的rs-fMRI仍然无法被直接使用，需要进 fMRI也逐渐地用在EMCI诊断中P。与fMRI数 行降维。 据相比，rs-fMRI的获取不需要被试者完成预先设 一种常用的降维方式是使用自动解剖标记 定好的实验动作，仅需要被试者保持休息状态， (automated anatomical labeling,AAL)2图谱来得到 因此避免了人为因素对数据的干扰。 一个N,×Na的二维ROI时间序列，其中Na表示 通常，rS-fMRI为一四维数据，用于深度分类 ROI的数量。此时，原来的rs-fMRI将从原来的四 网络需先降维。常用的一种降维方式是，将脑区 维降至二维，数据量得到了减少。然而，为了从 划分成一些ROL,从这些ROI中提取BOLD信号， ROI时间序列数据提取特征值，仍然需要训练， 再从这些BOLD信号提取特征值，如利用SAE2四 以SAE方法为例2，设该网络共有N个隐藏层， 或受限玻尔兹曼机(restricted Boltzmann machine, 其每层隐藏层的神经元数量分别为S,S2,…,SN, RBM)2)提取特征值，最后利用这些特征值进行 那么该网络总共的权重数量为 分类。由于输入数据的降维不可避免带来信息丢 WsAE=2 NiNASS2…SN (1) 失，而不降维又容易产生较复杂的分类网络，因 从式(1)看到，由于SAE采用的是全连接网 此，在rs-fMRI中如何解决分类网络的数据输人 络，因此其权重的数量与神经元数量和隐藏层数 是本文需要关注的另一个重点。 相关，当这两者数量增大时将不可避免使得整个 网络权重数变得庞大。当然，CNN也可以自动提 2问题提出 取特征值，目前的CNN利用卷积运算对权重进行 由于深度学习能自动提取特征值，且具有较 共享，相比全连接层可以减少权重数量。假设 高的分类准确率，因此本文将采用深度学习的方 个CNN网络共有Nc个卷积层，其中每个卷积层 法来进行EMCI的诊断。同时，由于rs-fMRI无需 分别由L1,L2,…,Lw个特征图组成，特征图的大小分 完成任何实验任务，本文也采用rs-fMRI数据来 别为F1×F1,F2×F2,…,F×F,所使用的卷积核 进行诊断。 尺寸分别为M1×M1,M2×M2,…,M×MN,若步长 将rs-fMRI应用于深度学习的EMCI诊断首 (stride)为l时，那么该网络的总共的权重数量为 先需要解决数据输入的问题，如图1所示，既要保 WaN=∑FF,L,(M,M+b) (2) 证输入到分类网络的数据降维后应包含丰富的分 类信息，又能降低分类网络的复杂性，以确保较 其中b是偏置数。式(2)的权重与其层数密切相 少的训练时间。 关，通常CNN在深度学习中的层数都较多，即使 rs-fMRI 权重实现共享但权重数依然庞大。 AAL Mask 利用脑区功能性连接网络理论来提取特征值 的方法可以进一步对数据降维20，其本质是求统 提取 求相关 函数 计相关系数，若x和y,分别为任意两个ROI在第 输入端 t时刻BOLD信号，那么其相关函数可表示为 T-1 2D或3DCNN SAE,RBM或CNN 分类网络 (3) 维度不匹配 训练时间长 仁0 瞬时信息损失 1分类器 因此，对于一个N,×Na的二维ROI时间序列 图1特征提取的相关问题 求相关以后，其维度将变为心×W,- ,相比原 2 Fig.1 Issues related to feature extraction ROI序列，数量得到了减少。然而由式(3)可知， 若用y表示一个被测试的rs-fMRI信号，则 R,是一个时间统计平均值，虽然去掉了时间维度 该信号不仅包含脑区结构像信息，还包含时间信 N,但也去掉了ROI数据的瞬时量，不可避免地映功能连接特性，因此可以使用 fMRI 数据来有 效诊断 AD 和 EMCI。然而，采集 fMRI 通常需要 被试者完成特定的实验任务，因此 fMRI 数据又 往往与完成的任务有关。其实，大脑即使在不完 成任何特定任务时，各脑区仍然在相互作用，存 在一个默认的功能网络，而这种默认模式在一些 认知障碍的大脑疾病中通常遭到了破坏，因此 rs￾fMRI 也逐渐地用在 EMCI 诊断中[21]。与 fMRI 数 据相比，rs-fMRI 的获取不需要被试者完成预先设 定好的实验动作，仅需要被试者保持休息状态， 因此避免了人为因素对数据的干扰。 通常，rs-fMRI 为一四维数据，用于深度分类 网络需先降维。常用的一种降维方式是，将脑区 划分成一些 ROI，从这些 ROI 中提取 BOLD 信号， 再从这些 BOLD 信号提取特征值，如利用 SAE[22] 或受限玻尔兹曼机 (restricted Boltzmann machine， RBM)[23] 提取特征值，最后利用这些特征值进行 分类。由于输入数据的降维不可避免带来信息丢 失，而不降维又容易产生较复杂的分类网络，因 此，在 rs-fMRI 中如何解决分类网络的数据输入 是本文需要关注的另一个重点。 2 问题提出 由于深度学习能自动提取特征值，且具有较 高的分类准确率，因此本文将采用深度学习的方 法来进行 EMCI 的诊断。同时，由于 rs-fMRI 无需 完成任何实验任务，本文也采用 rs-fMRI 数据来 进行诊断。 将 rs-fMRI 应用于深度学习的 EMCI 诊断首 先需要解决数据输入的问题，如图 1 所示，既要保 证输入到分类网络的数据降维后应包含丰富的分 类信息，又能降低分类网络的复杂性，以确保较 少的训练时间。 2D 或 3D CNN SAE, RBM 或 CNN 分类网络 AAL Mask 求相关 函数 提取 ROI 维度不匹配 训练时间长 瞬时信息损失 rs-fMRI ... 输入端 分类器 图 1 特征提取的相关问题 Fig. 1 Issues related to feature extraction 若用 Y 表示一个被测试的 rs-fMRI 信号，则 该信号不仅包含脑区结构像信息，还包含时间信 NT ×NX ×NY ×NZ NT NX NY NZ 息，因此是一个 的四维数据，其 中 表示时间维度， 、 和 分别表示脑区 的 3 个空间维度。目前，常用的 CNN大多是针对 二维图像的分类网络，因此 rs-fMRI并不能直接拿 来作为输入。当然，由于 AD 影像数据的高维特 性，近年来还出现了一些三维 CNN网络[24] ，但作 为四维的 rs-fMRI 仍然无法被直接使用，需要进 行降维。 NT ×NA NA NS S 1,S 2,··· ,S N 一种常用的降维方式是使用自动解剖标记 (automated anatomical labeling，AAL)[25] 图谱来得到 一个 的二维 ROI 时间序列，其中 表示 ROI 的数量。此时，原来的 rs-fMRI 将从原来的四 维降至二维，数据量得到了减少。然而，为了从 ROI 时间序列数据提取特征值，仍然需要训练， 以 SAE 方法为例[22] , 设该网络共有 个隐藏层， 其每层隐藏层的神经元数量分别为 ， 那么该网络总共的权重数量为 WSAE=2NTNAS 1S 2 ···S Ns (1) NC L1,L2,··· ,LNc F1 × F1,F2 × F2,··· ,FNc × FNc M1 × M1, M2 × M2,··· , MNc × MNc 从式 (1) 看到，由于 SAE 采用的是全连接网 络，因此其权重的数量与神经元数量和隐藏层数 相关，当这两者数量增大时将不可避免使得整个 网络权重数变得庞大。当然，CNN 也可以自动提 取特征值，目前的 CNN 利用卷积运算对权重进行 共享，相比全连接层可以减少权重数量。假设一 个 CNN 网络共有 个卷积层，其中每个卷积层 分别由 个特征图组成，特征图的大小分 别为 ，所使用的卷积核 尺寸分别为 ，若步长 (stride) 为 1 时，那么该网络的总共的权重数量为 WCNN = ∑Nc i=1 FiFiLi(MiMi +b) (2) 其中 b 是偏置数。式 (2) 的权重与其层数密切相 关，通常 CNN 在深度学习中的层数都较多，即使 权重实现共享但权重数依然庞大。 xt yt t 利用脑区功能性连接网络理论来提取特征值 的方法可以进一步对数据降维[20] ，其本质是求统 计相关系数，若 和 分别为任意两个 ROI 在第 时刻 BOLD 信号，那么其相关函数可表示为 Rxy = 1 T ∑T−1 t=0 xtyt (3) NT ×NA NA ×(NA −1) 2 Rxy NT 因此，对于一个 的二维 ROI 时间序列 求相关以后，其维度将变为 ，相比原 ROI 序列，数量得到了减少。然而由式 (3) 可知， 是一个时间统计平均值，虽然去掉了时间维度 ，但也去掉了 ROI 数据的瞬时量，不可避免地 ·664· 智 能 系 统 学 报 第 16 卷