基於深度學習的多模態神經影像融合分析與腦疾病診斷

《基於深度學習的多模態神經影像融合分析與腦疾病診斷》是依託上海交通大學，由劉滿華擔任項目負責人的面上項目。

基本介紹

• 中文名：基於深度學習的多模態神經影像融合分析與腦疾病診斷
• 項目類別：面上項目
• 項目負責人：劉滿華
• 依託單位：上海交通大學

項目摘要

腦疾病已成為當今社會越來越困擾人們的一種疾病，因此早期診斷和預警顯得尤為重要。隨著神經影像技術的發展，可用於腦疾病診斷的影像信息越來越多，如MRI和PET，如何對已有信息進行計算分析、深入理解腦疾病導致的結構和功能變化，提高臨床診斷效果，已成為目前面臨的主要問題。傳統的圖像處理和模式識別方法對噪聲比較敏感、不能有效處理和分析大規模圖像數據。本項目針對面向腦疾病的多模態神經影像融合分析的關鍵問題，如多尺度特徵提取、有效特徵選擇和多特徵融合分類等，開展新方法研究。首先基於深度學習理論，通過構建多層深度學習網路，深入挖掘具有潛在複雜結構的多模態神經影像的多層次特徵表示；然後利用特徵的空間結構和關聯性等信息，構建反映其結構組稀疏的特徵選擇模型，選取對疾病最具判別力和解釋性的特徵；最後研究基於多任務聯合學習的分類方法，整合多模態不完整影像特徵。研究結果將在附屬第六人民醫院的臨床診斷和治療中進一步驗證

結題摘要

阿爾茨海默病（AD）和輕度認知障礙（MCI）等腦疾病已成為當今嚴重困擾人們的一種疾病，目前還沒有效的治療方法，只能通過干預延緩病情進展，因此早期診斷尤為重要。隨著影像技術的發展，可用於腦疾病診斷的影像信息越來越多，如MRI和PET，如何對已有信息進行計算分析、深入理解腦疾病導致的結構和功能變化，提高臨床診斷效果，已成為目前面臨的關鍵問題。傳統的影像特徵提取和識別方法主要基於手工設計的特徵，需要很多手工干預的處理步驟，不能有效利用大規模影像數據。本項目針對多模態神經影像計算分析和腦疾病診斷的關鍵問題，研究了基於稀疏編碼和深度學習的新方法，並對這些方法的理論和套用進行了較充分的研究和分析。 首先針對高維神經影像的特徵選擇，提出了基於分層樹狀結構組稀疏學習的方法，該方法選取的特徵不僅是結構性稀疏的、對腦疾病影響的區域更具解釋性，而且提高AD和MCI診斷準確率，研究成果發表於SCI期刊Neuroinformatics2014年第12卷第3期第381-394頁；其次針對MRI特徵提取，提出了結合卷積神經網路和自編碼網路的影像特徵學習方法，能有效融合不同深度網路模型得到的互補信息、提高AD分類準確率，研究成果發表於IEEE IST2017會刊（EI檢索）；然後針對PET影像特徵提取，提出了組合二維卷積和循環神經網路的特徵學習方法，提高AD和MCI診斷準確率，研究成果發表於IEEE IST2017和MLMI2017會刊（EI檢索）、並擴展成期刊論文投稿到國際SCI期刊Frontiers in Neuroinformatics（審稿中）；最後針對MRI和PET神經影像融合分析，提出了級聯三維卷積神經網路多模態聯合深度特徵學習方法，通過級聯卷積網路多層次多尺度地學習多模態影像特徵以及聯合特徵表示，研究成果發表於CISP-BMEI2017和ICDIP2017 會刊（EI檢索）、並擴展成期刊論文投稿到國際SCI期刊Neuroinformatics（已錄用）。本項目研究的多模態神經影像計算分析方法不需要嚴格的圖像配準和分割等處理步驟，是基於數據驅動的特徵學習和分類方法，減少人工參與過程，研究結果在附屬第六人民醫院的臨床診斷和治療中進一步驗證，對腦科學研究和腦疾病早期診斷和預警、治療具有重要的套用前景。本項目資助下在國內外期刊和會議上共發表論文14篇，錄用2篇，培養研究生5名。