为更好地帮助到想要利用神经影像做科研的客户们，拓展思影科技的业务范围,思影科技推出脑影像机器学习数据处理业务。如感兴趣请联系杨晓飞siyingyxf或18983979082（微信号）进行咨询，电话：18580429226

一、数据质量检查     

数据质量检查包括：   

（1）对于原始数据，检查图像是否具有明显的形变、缺损、伪影等；   

（2）检查图像参数是否合适，如图像维度、体素大小等；   

（3）对于预处理后的数据，检查所有被试的图像参数是否一致。 

二、特征构建

      本部分描述可用于后续分类/预测的影像指标及其筛选方式。 

2.1特征构建

1.fMRI指标。fMRI（功能磁共振）数据经过时间层校正、头动校正、空间标准化、降噪等预处理步骤后，可计算ALFF（低频振幅）、ReHo（局部一致性）、FC（功能连接）、VMHC（镜像同伦功能连接）等指标。以上指标可以在体素水平计算。

图示.fMRI指标：ReHo（左）与ALFF（右）

2.sMRI指标。sMRI（结构磁共振）数据经分割后，可计算灰质体积/密度、白质体积/密度等指标；也可计算皮层厚度、皮层局部回指数等指标。以上指标可以在体素/顶点水平计算。

3.dMRI指标。dMRI（弥散磁共振）数据经头动涡流校正、张量拟合等预处理步骤后，可得到FA、MD、AD、RD等指标。以上指标可以在体素水平计算。

图示.弥散影像指标。

4.灌注成像指标。基于灌注成像数据（如ASL，即动脉自旋标记数据），可以计算脑血流（CBF）等指标。以上指标可以在体素水平计算。

5.脑网络。利用特定的脑图谱（如AAL Atlas），基于fMRI数据，可以构建全脑功能脑网络；基于dMRI数据，可以构建全脑结构脑网络（FA、FN加权）。以上指标非体素水平指标。

图示.功能脑网络示例

6.特征尺度可改变。上述fMRI、sMRI、dMRI、灌注指标，皆可提取特定脑区的数值作为特征。利用特定的脑图谱，可提取每个单独脑区的平均指标值。

图示.提取每个单独脑区的指标作为特征。

7.行为量表。您自行收集的行为量表得分，也可作为特征纳入后续分析。

8.PET。PET（正电子发射断层显像）数据经过头动校正、空间标准化、平滑等预处理步骤后，可计算SUV（标准摄取值）等指标。以上指标可以在体素水平计算。

图示.PET指标SUV

注：上述内容包含了常见的脑影像指标，理论上几乎所有影像指标都可以作为特征来使用，如果您有合适的想法，可以联系我们进行协商。上述指标的具体计算，可以参考我们的其他数据处理业务。

2.2 特征筛选     

1.相关法。计算每个特征与量表的相关性（如皮尔逊相关），保留相关值高的特征。     

2.参数检验法。对不同组别人群的特征做假设检验（比如对两组人群的特征做双样本T检验），保留通过假设检验的特征。     

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

4.递归特征消除法。循序渐进地删除影响最小的特征，直至保留特定数目的最重要的特征为止。      

5. 稀疏特征表示。可以选择使用LASSO回归（及其变种）、低秩（Low-Rank）等特征选择/表示方法。 

三、机器学习方法     

机器学习模型是实现分类/预测的核心所在，我们可以提供神经影像领域最为热门的模型，方便大家选择。这些模型可用来实现MVPA分析，寻找合适的影像生物标记。

3.1可用模型      

1.支持向量机（SVM）。在许多情况下，支持向量机都是二分类模型的首选。通过使用核函数，即使基于线性不可分的数据，也可获得较好的分类精度。引入投票机制后，亦可将该模型应用于多分类场景。

图示.支持向量机（SVM）。

2.回归模型。回归模型主要用于预测连续变量（如量表得分）。可选的回归模型有线性回归（GLM）、多项式回归等，也包含其变种，如LASSO回归、岭回归、Elastic Net等。其他可选回归模型有：支持向量回归（SVR）、关联向量回归（RVR）等。

图示.各种回归模型。

3.集成学习。当单一的分类器性能不良时，可以考虑集成多个弱分类器，形成一个强分类器。可选的集成学习模型有随机森林等。      

4.神经网络。当没有良好的手工选择的特征时，可以考虑选用深度神经网络（主要基于CNN来实现）模型。该模型可以自动从原始数据中提取特征，用于后续的预测任务。      

5.聚类。当数据没有标签时，可以选择无监督学习算法，如K-means聚类。      

6.上述模型的变种。如基于脑连接组的预测模型（CPM），是一种利用脑网络特征和线性/多项式模型进行预测的方法。

图示.基于脑连接组的预测模型(CPM)。

7.多模态融合学习。可以对多种模态的特征kernel进行融合，实现多核SVM学习；也可以使用卷积神经网络融合多模态数据，充分利用各种模态的特征。

图示.基于多模态特征的SVM分类

图示.使用卷积神经网络进行多模态融合

3.2参数优化&精度评估      

如果选择的模型具有超参数，则可以选择进行超参数优化（即“调参”）。为了量化模型的预测效果，需要进行精度评估。参数优化与精度评估皆可通过交叉验证的方式进行。可选的交叉验证方式：S折交叉验证、留一交叉验证、嵌套交叉验证等。

图示.交叉验证过程

为了验证精度指标是否显著有效（区别于随机猜测），可以打乱数据的标签，重新训练并预测。上述置换检验的过程，可以计算用来验证精度指标结果是否可靠的p值。      

注：我们可以提供的机器学习模型包括但不限于以上内容。其他模型如K近邻、朴素贝叶斯（Naive Bayes）、线性判别分析（LDA）、主成分分析（PCA）、决策树或上述模型的变种，亦可根据需求实现。您可以选择其中的一种或多种进行尝试。 

四、结果汇报&可视化

结果汇报内容包括：

    （1）对于分类模型，可汇报敏感性（Sensitivity）、特异性（Specificity）、总精度、ROC曲线下面积（AUC）等精度指标；

    （2）对于回归模型，可以汇报相关值、MSE、MAE等精度指标；

    （3）置换检验的结果，如p值。

图示.ROC曲线可视化

结果可视化内容包括：

（1）对于分类模型，可绘制ROC曲线图；

（2）对于回归模型，可绘制相关图；

（3）对于模型训练过程中发现的贡献较大的特征，可绘制点线图、矩阵图、圈状图等等。

图示.体素特征权重可视化

图示. 脑网络特征的点线图、矩阵图、圈状图可视化

五、基于最新的机器学习（如深度神经网络）模型，我们还可以对脑肿瘤影像进行影像组学分析。

六、定制化服务

图示.工程师在讨论

  1.分析方法可定制。思影科技可根据您提供的模板文献，基于您的实验数据，实现文献中使用的数据分析方法。此外，未列出的分析方法，只要在思影科技的能力范围内，尽力实现您的想法。

  2.分析代码可定制。您可以选择不同的平台/软件来实现想法。在没有现有的软件适用于您的数据分析需求时，思影科技会与您协商，通过编写代码实现您的想法，并提供代码的完整实现。

  3.可视化方案可定制。如果您有特殊的可视化方案要求，也可与我们协商实现。

微信扫码或者长按选择识别关注思影