- 文章转自微信公众号：机器学习炼丹术
- 笔记：陈亦新
- 论文题目：Deep Chronnectome Learning via Full Bidirectional Long Short-Term Memory Networks for MCI Diagnosis
introduce
为了捕获time-varying information brain networks，dynamic functional connectivity (dFC)被提出来表征time-resolved connectome,也叫做长荣NEC Tome，首要是运用滑动窗口相关的方法，sliding-window correlation approach.
我的目的便是看这个dFC是怎么求取的。
本文说，直接将LSTM应用在dFC-based MCI确诊上是non-trivial：
- 大脑是十分复杂的，其动态或许与自然语言有不同；
- 大脑dFC信号的背景形成会比音频、视频信号更大
提出了一个full-LSTM的结构，将一切细胞的输出衔接到一个融合层，以捕获一个共同的时不变状态切换模式。其次，运用了BILSTM来发掘隐藏在dFC的上下文信息。
Methods
核算dFC经过滑动窗口
For each subject, the whole-breain time-varying connectivity matrics are computed based on M (M=116) ROIs from the automated anatomical labeling (AAL) template using a sliding window approach.
-
上图中，averaged BOLD time-series SiS_i in ROI i are first computed.
-
Then the window {WtW_t} are generated and applied to S = {S_i}, where T is the total number of sliding windows.从上图中来看，便是把整个时刻划分成T个windows，然后每一个window能够核算出来一个dFC相关性矩阵
-
Next， 关于每一个窗口，一个FC的矩阵就能够核算出来。这个矩阵的尺寸是MxM的，也便是ROI之间的相关性。
-
Thus，关于每一个subject，就会得到T个FC矩阵，这个全体叫做dynamic FC。
-
由于每一个FC都是对称的，所以咱们能够将FC矩阵转换成一个向量，这个向量选取FC矩阵的上三角矩阵，所以x的向量的元素为M（M-1）/2.
-
因而，dFC时刻序列能够表明为T个向量，这个T个向量作为full-BiLSTM分类模型。
Experiments and Result
dynamic functional connectivity matrix
在这个试验中，windows length 是90s。窗口滑动的step是6s，产生54段BOLD信号。关于each subject and each scan，获得了54个FC，表明了chrnonectome。
这儿发现，windows elngth是90s，但是windows的滑动是6s，所以每一个windows是有很大面积重叠的。
Data Augnemtnation
深度学习模型需求很多的模型样本。走运的是，一部分dFC时刻序列就满足分辩MCI和NC了。由于FC动态数据能够发生在十分短的时刻内。这答应咱们进行数据增强来添加样本数量。
- 样本傍边，之前说的step=6s的前提下，有54个时刻戳，咱们接连减去其间的30个就能够作为一个新的样本；这样54个时刻戳的1个样本，就能够得到54-30+1=25个新的augmented样本。所以样本倍数添加25倍；
- 在测试阶段，同一个受试者的一切增强数据的标签会进行majority voting。
额外的资料
- 参考博客：fMRI脑影像特征提取——Pearson相关与低阶功用衔接LOFC（dpabi+nilearn）_意疏的博客-CSDN博客
MRI首要包含两种类型，结构MRI脑影响sMRI，功用MRI脑影响fMRI。前者反响了大脑的安排结构，后者反响了大脑的活动代谢。一幅图被称为volume，图中一个点被称为一个别素。
fMRI脑影响经过BOLD信号来成像，BOLD是boold oxygenation level dependent血氧依赖水平，能够间接反响大脑的活动代谢状况，某个区域的BOLD信号水平高表明该区域正忙于处理信息或被激活。fMRI是由多个volume组成（volume相似frame），每一个volume的一个别素的值，表明空间方位对应的大脑某一个小体积内的BOLD信号值，如果把每一个volume相同大脑方位（同一个ROI）的值都取出来，依照先后顺序排在一同，就形成了大脑在该ROI随时刻改变的BOLD信号，也便是时刻序列。上图中的右上角所示。
然后咱们来看怎么核算两个BOLD序列构建相关性。常用Peason相关系数来核算两个信号的同步性，两个大脑方位的BOLD信号的Pearson相关系数，能够称为他们之间的功用衔接强度。如果将一切大脑方位的BOLD信号两两做Pearson相关，就能够形成一个对称的功用衔接矩阵，也便是上面论文中的FCMatrix。
两个ROI节点的边便是衔接强度，最常用的方式是Pearson相关，两个节点之间或许没有物理来衔接，但是如果他们的BOLD信号同步性很强，则他们之间或许存在很强的功用写作，即很强的功用衔接。如果一个节点包含不只一个别素那该节点的BOLD信号为该节点内一切体素BOLD信号的均匀。
如果要衡量这种同步性，就需求运用线性关系。一个信号值变大，另一个信号值也需求变大。所以如果两个信号分别作为x和y轴的话，一定真实一条直线附近散布。Pearson相关，是两个信号线性相关性的衡量
能够看到，这个Pearson相关性便是归一化的协方差。协方差便是衡量两个随机变量之间的协同性。
这儿的Pearson相关树立的功用衔接，叫做低阶功用衔接LOFC。
