论文部分内容阅读
人脑连接组研究不仅能为神经精神疾病病理机制的理解提供新视角,而且能为疾病的早期诊断和治疗评价提供新的脑网络影像学标记。研究发现许多神经精神疾病与脑结构和脑功能网络的异常拓扑变化密切相关。脑功能网络主要包括脑功能连接网络和脑效应连接网络两种类型。其中,脑效应连接网络是一种由节点和有向边构成的图模型,节点表示脑区,有向边表示了一个脑区施加于另一个脑区神经活动的因果效应,而与边相关的连接参数则刻画了边的连接强度。脑效应连接学习就是指从脑影像数据中学习脑效应连接网络结构的一种技术。由于脑效应连接学习是评价正常脑功能与神经退行性疾病,如阿尔茨海默病、帕金森病等神经系统疾病相关损伤的有效手段,所以成为目前人脑连接组研究中的一项重要研究课题。近年来,脑效应连接学习的新方法不断涌现,这些方法通常可分为模型驱动方法和数据驱动方法两大类。模型驱动方法是一种验证性方法,它不适合对静息态功能磁共振成像(Functional magnetic resonance imaging,f MRI)数据的分析或缺乏先验模型的情况,而且仅能学习规模较小的脑效应连接网络。数据驱动方法不需要先验知识和假设,能够直接从数据中学习脑区间的因果关系,已经成为该领域的主流方法。其中,贝叶斯网方法(Bayesian network,BN)是一种具有良好灵活性和适用性的数据驱动方法,由于BN方法具有良好的性能且不需要设置阈值,所以逐渐成为数据驱动方法研究中的一个前沿热点。但是,该类方法存在搜索能力差、对噪声敏感、无法处理非平稳数据和小样本数据上识别准确率低等不足。针对上述不足,本文进行了一些深入的研究和探索,所取得的创新性成果包括:一、针对现有贪婪搜索方法进行脑效应连接学习时易陷入局部最优、搜索能力差的问题,本文研究了两种基于群智能的脑效应连接学习方法。首先,本文提出了一种基于免疫算法的脑效应连接学习方法。该方法采用K2评分来衡量数据与脑效应连接网络结构之间的匹配程度,利用四种免疫算子提升算法的全局和局部搜索能力,能够快速、准确地搜索到最优脑效应连接网络。为了能够同时学习脑效应连接及其强度,本文提出了一种基于蚁群算法的脑效应连接学习方法。该方法使用蚁群算法搜索具有最优K2评分的脑效应连接网络,并通过计算蚁群在最优解路径上留下的信息素浓度,来获得脑效应连接网络的连接强度。实验结果验证了所提两种方法的有效性。二、针对f MRI数据噪声高,单模态数据信息片面等问题,本文研究了两种信息融合的方法。首先,本文提出了一种融合体素激活信息于蚁群优化过程的脑效应连接学习方法。该方法通过挖掘f MRI数据中的体素激活信息,充分利用了f MRI数据的生理特性,能够降低数据噪声对算法性能的影响。其次,本文提出了一种多模态融合的脑效应连接蚁群学习方法。该方法利用结构连接与功能间固有的关联,利用从弥散张量成像(Diffusion Tensor Image,DTI)中获取的结构性约束知识一方面对搜索空间进行压缩,另一方面对启发函数进行修正以增强其启发能力。实验结果验证了所提两种方法的有效性。三、针对现有方法无法处理非平稳f MRI数据的问题,本文分别从动、静贝叶斯网两个角度进行了新探索。首先,提出了一种基于非平稳动态贝叶斯网的脑效应连接学习方法,它利用一个新的评分函数来衡量不同时间间隔下脑效应连接网络结构与非平稳f MRI数据的匹配程度,然后通过马尔科夫链蒙特卡洛方法搜索最优评分的网络结构。该方法不仅可以构建出随时间动态变化的脑效应连接网络,而且在识别性能上也具有一定优势。其次,提出一种基于时序熵评分的脑效应连接学习方法,它首先利用条件熵对f MRI数据中脑区之间的连接进行评分,然后利用传递熵捕获数据中的时间信息从而帮助算法判断脑区之间信息传递的方向,最后使用惩罚项来防止网络复杂化。同时,论文从理论上证明了时序熵评分的重要性质,为它的使用提供了良好的理论支撑。实验结果表明,两种新方法与其它同类算法相比具有更高的求解质量。四、针对现有方法在小样本的f MRI数据上脑效应连接学习不准确的问题,本文提出了一种基于生成对抗网络的脑效应连接学习方法。该方法充分利用生成对抗网络的小样本学习优势,在生成器和判别器的博弈过程中,自动地学习了原始f MRI数据的分布特性和结构方程模型所需要的模型参数,能够准确地学习脑效应连接。此外,该方法通过将循环神经网络与结构方程模型结合,可以有效地获取f MRI数据中的非平稳时间信息,进一步提升算法的学习性能。实验结果表明,与其他方法相比,新方法从非平稳、小样本的f MRI数据中可以更准确地学习脑效应连接。