读《面向阿尔茨海默病的脑网络多频融合图核》-nice

计算机学报

关键词：阿尔兹海默病；功能磁共振成像；脑功能网络；多频融合图核；核极限学习机

1.研究领域、问题、方法

研究领域：复杂网络分析与机器学习方法相结合的阿尔兹海默病辅助诊断研究

问题：现有成果大多基于时域信号匹配构建脑功能网络，忽略了脑活动信息在各个频段下的差异

方法：脑网络多频融合图核的阿尔兹海默病诊断方法。

2.研究动机及意义

• AD患者的大脑不同脑区之间存在结构和功能的异常连接。已有大量研究工作通过fMRI图像构建脑功能网络实现对AD进行辅助诊断。
• fMRI图像中，可以看出人脑的各个脑区之间存在着有序的功能活动，被认为是一个多层次的复杂网络。越来越多的研究开始将图论中的复杂网络应用于脑网络，通过对脑网络的构建和分析可以更好地描述大脑的活动状态以及各个神经元或脑区之间的交互。大脑中的各个脑区之间的信号波动存在着同步性，通过计算脑区之间的这种同步性来衡量两个脑区之间的相关程度，即功能连接关系。
• 在fMRI数据中，不同频段下的信号包含了不同的大脑活动信息。以往研究表明，经过小波变换后的图像在不同频段下具有不同的小世界属性、平均路径长度及聚类系数等信息。（Bhavaser等人发现了...Koening等人应用全局场同步测量证明了AD患者的同步强度在,,,,,,）。因此构建融合多个频段的脑功能网络来描述大脑活动信息十分有意义。
• 在脑网络构建的过程中，通常运用图论的方法。
• 核函数能够解决分类过程中高维特征所带来的一些列问题，且具有良好的泛化能力。并且，由图核构成的核矩阵可以建立核函数与核机器的关联，因而可以直接将其应用于基于核函数的机器学习方法中实现辅助诊断。
• 基于核函数的极限学习机（Kernel Extreme Learning Machine, KELM）分类准确度>=SVM，计算速度更快，结构简单，收敛迅速，通常用于模式识别和非线性函数逼近等。

3.蕴含的思想和原理

• 首先，对获取的fMRI 图像进行预处理并滤波，并将其匹配到定义为90个脑区的解剖自动标记AAL模板上，以表征脑网络的90个节点；
• 其次，对匹配后的fMRI图像做小波变换以实现分频段处理；
• 然后，通过互信息的方法构建多频段的脑网络模型并分别计算每个频段下的图核函数；
• 随后，通过多核学习将各个频段分别得到的图核函数进行线性组合，从而得到一个多频融合图核；
• 最终，将其用于基于核函数的ELM分类器中以实现AD的诊断。

4.创新点？围绕创新点如何命题、组织、阐述和证明论文工作？如何设计试验进行验证？

 

第3部分 面向AD的多频融合图核方法

3.1 多频脑网络模型

3.2 脑网络多频融合图核

3.3 基于核极限学习机的AD诊断

4 实验环境

5 实验分析

5.1分类性能

5.2 频段个数的影响

5.3单一频率的影响

5.4 参数的影响

6 总结

 

5.工作优点、适用范围？

大脑信号在多个频段下存在差异。从多频段的角度构建了脑网络，充分考虑了大脑不同频段下的频域信息，保留了不同频段下脑网络的局部拓扑特性，融合了多频段的大脑活动信息以及图核所包含的结构信息。

6.缺点、存在的问题、新的思路

作者下一步的工作是：将在图核方法中融入深度特征进行AD的诊断

7.兴趣点、可借鉴/迁移处

算法和实验介绍详细

8.值得学习的表达、表格、图

9.我能开展什么相关的工作？下一篇读什么？

复现

如何在图核方法中融入深度特征