【论文泛读】2020-2ADHD fMRI short-time analysis method for edge computing based on multi-instance learning

题目

基于多实例学习的边缘计算ADHD fMRI短时分析方法（ADHD fMRI short-time analysis method for edge computing based on multi-instance learning）

摘要

物联网技术和边缘计算在医疗领域的应用越来越多，以解决医疗资源不平衡的问题。为了更好地诊断注意力缺陷多动障碍（ADHD），我们提出了一种新的短时诊断技术，可以快速分析患者的功能磁共振成像（fMRI），并协助医生对患者进行远程诊断。与目前的 ADHD fMRI 分析方法不同，我们的方法速度快，可以反映患者大脑在不同时期的变化。
（1）该方法可以使用流数据分析小图像片段与 ADHD 之间的相关性，并将其量化为分数。该分数由基于阈值的 EM-MI 算法训练和计算。
（2）通过短时分析得到的分数，我们可以根据图像片段显示与ADHD高度相关的概率来区分健康人和患者。
该方法经ADHD-200数据测试，分类准确率良好（70.4%）。此外，我们对健康人和患者的大脑活动进行了视觉展示，发现差异很明显。上述结果表明，我们的方法可以有效地帮助医生进行多动症的远程诊断。

Bib

@article{Dou:2020:101834,
  author={Cheng Feng Dou and Shi Kun Zhang and Han Ping Wang and Li Sun and Yu Huang and Wei Hua Yue},
  title={Adhd fmri short-time analysis method for edge computing based on multi-instance learning},
  journal={Journal of Systems Architecture},
  volume={111},
  pages={101834},
  year={2020}
}

相关概念

边缘计算：在生成数据的地方处理数据。边缘计算已应用于生命体征监测、医学影像协调、协同科研等方面，取得了较好的效果
ADHD：注意缺陷多动障碍 (ADHD) 是一种影响儿童和青少年的神经发育疾病。
fMRI:静息状态功能磁共振成像

符号系统

符号	含义
D = { ( B 1 , l 1 ) , … , ( B n , l n ) } \boldsymbol {D}=\{(\boldsymbol {B}_1,l_1),\dots,(\boldsymbol {B}_n,l_n)\} D={(B1​,l1​),…,(Bn​,ln​)}	样本集
${\mathbf{B}}_i={\mathbf{B}}_{i1}\dots .{\mathbf{B}}_{im}$	包
$l$	标签
$l_{ij}$	实例标签
$\theta$	实例分类器的参数
$p_{ij}=f_{\theta }({\mathbf{B}}_{ij})$	实例与ADHD的相关性
$\mathbf{T}$	阈值

方法概述

背景：基于边缘计算的思想，我们希望找到一个简单易行的多动症分析模型，部署到各个医院辅助医生诊断，进而弥补医疗资源的不足。

如图 1 所示， fMRI 扫描仪为边缘设备提供流数据输入。边缘设备使用预设的工作流程处理数据，然后将分析结果发送到云端。医生可以远程接收短时分析结果。
现有问题：
（1）基于一致性的方法和基于幅度的方法都需要在继续分析之前获取整个 fMRI，耗时。
（2）上述方法的分析结果是对图像的宏观描述，不能细化到图像的一小部分，只能为医生提供非常有限的分析结论。
与多实例的结合：
每个实例代表一个 fMRI 时间片
步骤：
某些时间段与多动症相关，称作关键段；
fMRI 区分健康人和患者的关键不是关键帧是否存在，而是关键帧存在多少；
我们提出了一种基于多实例学习的关键帧评估方法，称为基于阈值的 EM-MI 算法；
（1）首先训练一个分类器来计算某个时间段与 ADHD 之间的相关程度（0-1之间，大于0.5为异常）
（2）根据 fMRI 片段异常的概率找到了区分健康人和患者的最佳阈值
（3）采用EM算法同时调整分类器和阈值，使两者同时达到最优值
（4）最后得到一个用于短时 fMRI 分析的准确分类器。

待解决的问题

使用阈值对健康人和患者进行分类，但基于阈值的分类器较弱，不足以描述更复杂的统计分布，因此应用领域有限。

实验

ADHD-200数据集