基于Siamese-Transport域适应框架的3D MRI胶质瘤和阿尔茨海默病分类

2024-06-13 Thu
基于Siamese-Transport域适应框架的3D MRI胶质瘤和阿尔茨海默病分类研究背景在计算机辅助诊断中，3D磁共振成像（MRI）筛查对于早期诊断各类脑部疾病具有重要作用，可以有效防止病情恶化。胶质瘤是一种常见的恶性脑肿瘤，其治疗方案因肿瘤级别的不同而有所不同。因此，准确高效的3D MRI分类在医学影像分析中至关重要。然而，传统的深度学习模型在应用于临床获得的无标签数据时，表现会严重退化，主要原因是域间不一致性，如不同设备类型和数据获取参数的差异。现有的方法主要集中在减少域间差异，但忽略了语义特征和域信息的纠缠。
论文来源本文由Shandong University的Luyue Yu，Ju Liu，Qiang Wu，Jing Wang和Aixi Qu等人撰写，发表在2024年1月的《IEEE Journal of Biomedical and Health Informatics》上。论文兼顾了Shandong Province Natural Science Foundation和Shandong Province Key Innovation Projects的资助。
研究方法总体工作流程作者提出了一种基于Siamese-Transport域适应框架（STDA），结合最优传输理论和对比学习，用于自动3D MRI分类和胶质瘤多级预测。研究包含以下几个主要步骤：
Siamese-Transport网络： 设计了一个基于Siamese结构的运输网络，使用交叉更新参数提取不变特征。
最优代价传输策略（OCTS）： 基于距离概率分布提出的策略，用于在投影空间中分离语义特征和域信息。
互相不变约束（MIC）： 在共享投影空间中使用互相梯度自训练，进一步约束跨域任务中的特征聚类。
具体步骤与细节网络架构设计： STDA框架使用了两个结构完全相同的Siamese网络，并共享训练参数。根据分类任务，主干网络可以是任何深度卷积神经网络（如ResNet或VGG）。在前向传播中，两个网络共享训练参数；在反向传播中，根据交叉熵和对比损失函数通过梯度反向传播算法更新参数。
特征分布的更新： 使用OCTS，通过最优运输理论，计算从一个分布到另一个分布的代价，并通过协作纠正特征映射和更新特征分布来找到潜在分类特征的不变性。实际过程中，特征映射和分布更新的优化通过训练特征提取网络和最小化损失函数来完成。
互相不变约束： 采用自监督学习的方法，通过互相梯度自训练，约束源域和目标域在投影空间中的特征不变性。使用stop-gradient操作来避免不同域之间无效特征的传输，从而稳定训练过程中的特征表征。
数据和实验设计数据来源：
BRATS18 数据集： 包含高等级胶质瘤（HGG）和低等级胶质瘤（LGG）的多模态MRI扫描。
TCGA-Brain 数据集： 来自肿瘤癌基因组图谱项目，包含HGG和LGG图像样本。
ADNI 数据集： 包含阿尔茨海默病（AD）和正常认知（NC）的结构MR图像。
OASIS 数据集： 包含小样本的AD和NC数据。
实验设置：
使用VGG-16作为骨干网络。
训练过程中，选择随机梯度下降算法（SGD）进行优化。
在所有实验中，为确保比较公平性，所有UDA方法的训练策略和模块计算都是相同的。
实验对比：
实验设计对比了不同的经典UDA方法，如Deep Coral, JAN,及其它一些当前最先进的方法。
进行了消融实验，验证Siamese-Transport网络、OCTS和MIC各模块的有效性。
研究结果胶质瘤二分类实验通过实验结果可以看到，在胶质瘤二分类任务中，STDA方法表现最佳。特别是，在不同的胶质瘤分类任务中，STDA在分类准确率和AUC值方面优于其它UDA方法，如表二和表三所示。
实验还发现，当源域和目标域分布的差异不显著时，UDA方法仍然可以提高分类准确性。具体表现为，使用最优传输方法OTDA（不含Siamese-Transport模块）在没有传输学习的模型上提高了12.7％的准确性。
胶质瘤分级实验在细粒度的胶质瘤多等级分类实验中，STDA方法同样表现出了最好的分类效果。与其它UDA方法相比，准确率提升了20.7个百分点，表明STDA在复杂任务中的强大域适应能力。
阿尔茨海默病分类实验阿尔茨海默病分类实验结果（表四）显示，STDA方法在不同公共医疗图像分类数据集上也表现出了较高的泛化能力。尽管由于数据集内类别不平衡，AUC值略弱于DAN方法，但分类准确性依然最高。
消融实验分析Siamese-Transport网络： 通过消融实验，验证了Siamese-Transport网络架构在特征提取上的有效性。STDA在训练过程中具有更稳定的特征表示能力。
最优代价传输策略： OCTS方法在跨域分布修正上效果显著，尤其在高维度特征空间中能够明显减少域间分布差异。
互相不变约束： MIC模块进一步稳定了双网络结构在训练过程中的不变特征提取能力，提高了分类精度。
结论和意义本文提出的STDA框架通过改善特征分布不一致性和学习不变特征，有效地解决了小样本3D MRI分类问题，并在胶质瘤分类和阿尔茨海默病分类任务中证明了其优越性。STDA框架不仅应用广泛，还可以进一步用于多任务学习，如脑肿瘤分子标志物和存活周期预测，满足不平衡小样本学习的需求。未来研究中，可探讨自监督学习和生成对抗网络等更优化的数据增强技术，进一步提升该方法的稳定性和准确性。
通过本研究，我们不仅拓展了3D MRI在医学影像分析中的应用，还提供了一种有效的解决域差异问题的方法，为临床诊断和治疗提供了新的技术支持。