思影科技腦影像機器學習數據處理業務

2020-06-02

為更好地幫助到想要利用神經影像做科研的客戶們,拓展思影科技的業務范圍,思影科技推出腦影像機器學習數據處理業務。如感興趣請聯系楊曉飛siyingyxf或18983979082(微信號)進行咨詢,電話:18580429226

一、數據質量檢查     

數據質量檢查包括:   

(1)對于原始數據,檢查圖像是否具有明顯的形變、缺損、偽影等;   

(2)檢查圖像參數是否合適,如圖像維度、體素大小等;   

3)對于預處理后的數據,檢查所有被試的圖像參數是否一致。 

二、特征構建

      本部分描述可用于后續分類/預測的影像指標及其篩選方式。 

2.1特征構建

1.fMRI指標。fMRI(功能磁共振)數據經過時間層校正、頭動校正、空間標準化、降噪等預處理步驟后,可計算ALFF(低頻振幅)、ReHo(局部一致性)、FC(功能連接)、VMHC(鏡像同倫功能連接)等指標。以上指標可以在體素水平計算。

圖示.fMRI指標:ReHo(左)與ALFF(右)

2.sMRI指標。sMRI(結構磁共振)數據經分割后,可計算灰質體積/密度、白質體積/密度等指標;也可計算皮層厚度、皮層局部回指數等指標。以上指標可以在體素/頂點水平計算。

3.dMRI指標。dMRI(彌散磁共振)數據經頭動渦流校正、張量擬合等預處理步驟后,可得到FA、MD、AD、RD等指標。以上指標可以在體素水平計算。

圖示.彌散影像指標。

4.灌注成像指標。基于灌注成像數據(如ASL,即動脈自旋標記數據),可以計算腦血流(CBF)等指標。以上指標可以在體素水平計算。

5.腦網絡。利用特定的腦圖譜(如AAL Atlas),基于fMRI數據,可以構建全腦功能腦網絡;基于dMRI數據,可以構建全腦結構腦網絡(FA、FN加權)。以上指標非體素水平指標。

圖示.功能腦網絡示例

6.特征尺度可改變。上述fMRI、sMRI、dMRI、灌注指標,皆可提取特定腦區的數值作為特征。利用特定的腦圖譜,可提取每個單獨腦區的平均指標值。

圖示.提取每個單獨腦區的指標作為特征。

 

7.行為量表。您自行收集的行為量表得分,也可作為特征納入后續分析。

8.PET。PET(正電子發射斷層顯像)數據經過頭動校正、空間標準化、平滑等預處理步驟后,可計算SUV(標準攝取值)等指標。以上指標可以在體素水平計算。

圖示.PET指標SUV

注:上述內容包含了常見的腦影像指標,理論上幾乎所有影像指標都可以作為特征來使用,如果您有合適的想法,可以聯系我們進行協商。上述指標的具體計算,可以參考我們的其他數據處理業務。

2.2 特征篩選     

1.相關法。計算每個特征與量表的相關性(如皮爾遜相關),保留相關值高的特征。     

2.參數檢驗法。對不同組別人群的特征做假設檢驗(比如對兩組人群的特征做雙樣本T檢驗),保留通過假設檢驗的特征。     

3.主成分分析(PCA)法。將所有特征分解成一系列主成分,保留排名靠前的主成分作為特征。     

4.遞歸特征消除法。循序漸進地刪除影響最小的特征,直至保留特定數目的最重要的特征為止。      

5. 稀疏特征表示。可以選擇使用LASSO回歸(及其變種)、低秩(Low-Rank)等特征選擇/表示方法。 

三、機器學習方法     

機器學習模型是實現分類/預測的核心所在,我們可以提供神經影像領域最為熱門的模型,方便大家選擇。這些模型可用來實現MVPA分析,尋找合適的影像生物標記。

3.1可用模型      

1.支持向量機(SVM)。在許多情況下,支持向量機都是二分類模型的首選。通過使用核函數,即使基于線性不可分的數據,也可獲得較好的分類精度。引入投票機制后,亦可將該模型應用于多分類場景。

圖示.支持向量機(SVM)。

2.回歸模型。回歸模型主要用于預測連續變量(如量表得分)??蛇x的回歸模型有線性回歸(GLM)、多項式回歸等,也包含其變種,如LASSO回歸、嶺回歸、Elastic Net等。其他可選回歸模型有:支持向量回歸(SVR)、關聯向量回歸(RVR)等。

圖示.各種回歸模型。

3.集成學習。當單一的分類器性能不良時,可以考慮集成多個弱分類器,形成一個強分類器??蛇x的集成學習模型有隨機森林等。      

4.神經網絡。當沒有良好的手工選擇的特征時,可以考慮選用深度神經網絡(主要基于CNN來實現)模型。該模型可以自動從原始數據中提取特征,用于后續的預測任務。      

5.聚類。當數據沒有標簽時,可以選擇無監督學習算法,如K-means聚類。      

6.上述模型的變種。基于腦連接組的預測模型(CPM),是一種利用腦網絡特征和線性/多項式模型進行預測的方法。

圖示.基于腦連接組的預測模型(CPM)。

7.多模態融合學習。可以對多種模態的特征kernel進行融合,實現多核SVM學習;也可以使用卷積神經網絡融合多模態數據,充分利用各種模態的特征。

圖示.基于多模態特征的SVM分類

圖示.使用卷積神經網絡進行多模態融合

3.2 參數優化&精度評估      

如果選擇的模型具有超參數,則可以選擇進行超參數優化(即“調參”)。為了量化模型的預測效果,需要進行精度評估。參數優化與精度評估皆可通過交叉驗證的方式進行。可選的交叉驗證方式:S折交叉驗證、留一交叉驗證、嵌套交叉驗證等。

圖示.交叉驗證過程

 

為了驗證精度指標是否顯著有效(區別于隨機猜測),可以打亂數據的標簽,重新訓練并預測。上述置換檢驗的過程,可以計算用來驗證精度指標結果是否可靠的p值。      

注:我們可以提供的機器學習模型包括但不限于以上內容。其他模型如K近鄰、樸素貝葉斯(Naive Bayes)、線性判別分析(LDA)、主成分分析(PCA)、決策樹或上述模型的變種,亦可根據需求實現。您可以選擇其中的一種或多種進行嘗試。 

四、結果匯報&可視化

結果匯報內容包括:

    (1)對于分類模型,可匯報敏感性(Sensitivity)、特異性(Specificity)、總精度、ROC曲線下面積(AUC)等精度指標;

    (2)對于回歸模型,可以匯報相關值、MSE、MAE等精度指標;

    (3)置換檢驗的結果,如p值。

圖示.ROC曲線可視化

 

結果可視化內容包括:

1)對于分類模型,可繪制ROC曲線圖;

2)對于回歸模型,可繪制相關圖;

3)對于模型訓練過程中發現的貢獻較大的特征,可繪制點線圖、矩陣圖、圈狀圖等等。

圖示.體素特征權重可視化

圖示. 腦網絡特征的點線圖、矩陣圖、圈狀圖可視化

五、基于最新的機器學習(如深度神經網絡)模型,我們還可以對腦腫瘤影像進行影像組學分析。

六、定制化服務

圖示.工程師在討論

 

1. 分析方法可定制。思影科技可根據您提供的模板文獻,基于您的實驗數據,實現文獻中使用的數據分析方法。此外,未列出的分析方法,只要在思影科技的能力范圍內,盡力實現您的想法。

2. 分析代碼可定制。您可以選擇不同的平臺/軟件來實現想法。在沒有現有的軟件適用于您的數據分析需求時,思影科技會與您協商,通過編寫代碼實現您的想法,并提供代碼的完整實現。

3.可視化方案可定制。如果您有特殊的可視化方案要求,也可與我們協商實現。

微信掃碼或者長按選擇識別關注思影


如對思影課程感興趣也可微信號siyingyxf或18983979082咨詢。覺得有幫助,給個轉發,或許身邊的朋友正需要。請直接點擊下文文字即可瀏覽思影科技其他課程及數據處理服務,歡迎報名與咨詢,目前全部課程均開放報名,報名后我們會第一時間聯系,并保留名額。


更新通知:第二十八屆磁共振腦影像基礎班(重慶,已確定)



更新通知:第十屆腦影像機器學習班(已確定)


更新通知:第十二屆磁共振彌散張量成像數據處理班(已確定)



第六屆任務態fMRI專題班(預報名,南京)






眼動數據處理班(預報名)

數據處理業務介紹:



招聘及產品:







苍井空人妻一区二区三区免费视频 观看国产色欲色欲色欲www. 亚洲精品国偷自产在线99正片 亚洲性色AV无码久久精品色欲