基于图的条件生成对抗网络用于生成合成功能性脑网络诊断重度抑郁症

信息科学 人工智能 神经病学 精神病学 医学影像 医学
重度抑郁症 生成对抗网络 图卷积网络 静息态功能磁共振成像 合成功能连接性

基于图的条件生成对抗网络

基于图的条件生成对抗网络用于生成合成功能性脑网络诊断重度抑郁症

研究背景：

重度抑郁症（Major Depressive Disorder, MDD）是一种广泛存在的精神障碍，影响数百万人的生活，并且对全球健康构成重大威胁。研究表明，通过静息态功能磁共振成像（resting-state functional magnetic resonance imaging, rs-fMRI）提取的功能连接性（functional connectivity, FC）能够揭示与MDD相关的功能连接模式，在精准诊断中起到重要作用。然而，由于相关数据的有限性，为稳健的MDD诊断带来挑战。为应对这一挑战，近年来一些研究尝试使用深度神经网络（Deep Neural Networks, DNN）架构来构建生成对抗网络（Generative Adversarial Networks, GAN）以生成合成的FC数据，但这些方法往往忽视了FC固有的拓扑特性。

为了克服这些困难，本文作者提出了一种基于图卷积网络（Graph Convolutional Networks, GCN）的条件GAN（conditional GAN）与分类感知判别器（class-aware discriminator）的新方法，称之为GC-GAN。GC-GAN通过在生成器和判别器中应用GCN来捕捉大脑区域间复杂的FC模式，分类感知判别器确保了生成的合成FC的多样性和质量。此外，本文还引入了一种拓扑优化技术，通过使用扩展的FC数据集提高MDD诊断性能。

来源及作者：

本文由Ji-Hye Oh, Deok-Joong Lee, Chang-Hoon Ji (IEEE student member), Dong-Hee Shin, Ji-Wung Han, Young-Han Son (IEEE graduate student member), 和Tae-Eui Kam撰写。作者隶属于韩国高丽大学人工智能系。本文发表于2024年3月的《IEEE Journal of Biomedical and Health Informatics (Vol. 28, No. 3)》。

研究工作流详细介绍：

a) 研究工作流程：

  1. 数据获取与预处理：

    • 本研究使用了由抑郁症影像研究联盟（Depression Imaging Research Consortium, DIRECT）提供的最大的MDD rs-fMRI公共数据集REST-META-MDD。
    • 利用来自25个不同站点的数据，本文主要采用了其中最大的20号站点的数据，包含249名MDD受试者和228名正常对照受试者（normal controls, NC）。
    • 数据采集使用了Siemens Tim Trio 3T扫描仪，并进行了一系列的预处理步骤，包括切片时间校正、头动校正、带通滤波和去除混淆因素等。

  2. 基于GCN的分类器预训练：

    • 每个rs-fMRI数据衍生的真实FC被表示为一个无向图，其节点代表感兴趣区域（ROIs），边表示节点间的连接。
    • 使用最小冗余最大相关（mRMR）特征选择算法在真实FC数据上定义拓扑，以捕捉MDD和NC之间的明显连接模式。
    • 使用演化的拉普拉斯矩阵与切比雪夫多项式近似的频谱图卷积来提取FC图中的信息特征。

  3. 基于GC-GAN生成合成功能连接性：

    • GC-GAN中的生成器和判别器均采用GCN架构。判别器用于同时分类数据的真实性（是否为真实FC）和数据的类别（MDD/NC）。
    • 生成器从高斯随机噪声矩阵和真实类别标签开始，根据判别器的反馈生成合成FC。
    • 交叉熵损失和均方误差（MSE）损失被用于优化生成器，确保生成的FC在识别和数值上接近真实FC。

  4. 拓扑优化与稳健的MDD诊断：

    • 使用GC-GAN生成的合成FC进行数据扩展并提升图卷积分类器，使其能够使用拓展的FC数据集对MDD进行更精准的诊断。
    • 应用mRMR算法在扩展数据集上进行特征选择以优化拓扑，训练新的GCN分类器以进行稳健的MDD诊断。

b) 主要研究结果：

  • GC-GAN生成合成功能连接性数据的实验结果：

    • 通过对比多种生成对抗网络架构，如SSGAN、WGAN-GP和ACGAN，验证了GC-GAN在生成高保真合成FC和数据多样性方面的优越性能。
    • 在MDD诊断实验中，GC-GAN在分类精确度（Accuracy）上达到了66.84%，灵敏度（Sensitivity）70.24%，特异性（Specificity）63.14%，和F1评分68.72%。

  • 分类器及疾病诊断性能：

    • 使用多种图神经网络模型（如GAT、GraphSAGE和Ensemble）进行对比实验，验证了GC-GAN方法在不同分类器中的普适性。
    • 提出的方法在多种分类器中均展示了性能提升，尤其在几何平均准确度（GAA）和类别间精确度（Balanced Accuracy）等方面。

  • 不同数据集上的模型验证：

    • 通过不同站点数据集的实验验证了GC-GAN在不同数据集上的可靠性和普适性，如在20、1和21号站点上的跨域验证。

c) 研究结论与应用价值：

本文提出的GC-GAN模型不仅提升了重度抑郁症诊断的精准度，还拓展了生成对抗网络在大脑功能连接性研究中的应用。此外，引入的拓扑优化技术通过扩展数据集进一步提高了诊断性能，这项研究为脑疾病的诊断和治疗提供了新的视角和更为高效的方法。

d) 研究亮点：

  • 模型创新性： 首次在生成对抗网络中引入图卷积网络，并通过条件GAN和分类感知判别器的结合，显著提升了合成数据的真实性和多样性。
  • 实用性强： 拓扑优化技术改善了诊断精度，为基于功能连接性的精神疾病诊断提供了新的技术手段。
  • 数据适应性： 通过对不同分类器和数据集的广泛验证，证明了方法的普适性和鲁棒性。

e) 其他有价值的信息：

  • 模型的可扩展性： 本研究中提出的方法不仅适用于MDD，也可应用于其它神经疾病如阿尔茨海默症和自闭症等的诊断研究。
  • 公共数据集和开源代码： 研究中采用的数据集和模型代码均公开，方便其他研究者进行复现和进一步研究。

本文通过引入GC-GAN和拓扑优化技术，为利用功能连接性诊断重度抑郁症提供了一种创新且有效的方法，并展示了其在特征提取和诊断性能方面的显著提升，具有重要的科学价值和应用前景。