作為一種無(wú)創(chuàng)的成像技術(shù)，功能磁共振（fMRI）通過(guò)檢測(cè)血氧濃度來(lái)推斷大腦的活動(dòng)狀態(tài)，在認(rèn)知科學(xué)以及精神疾病研究中被廣泛應(yīng)用。但是fMRI影像具有維度高、信噪比低等特點(diǎn)，基于fMRI的腦疾病分類問(wèn)題通常具有高維小樣本的特點(diǎn)，常用的解決方案是采用腦模板或者獨(dú)立成分分析等對(duì)原始的fMRI腦區(qū)進(jìn)行劃分，然后計(jì)算興趣腦區(qū)或空間成分的時(shí)間序列相關(guān)值（Time Courses, TCs）得到腦功能連接矩陣，并在此矩陣的基礎(chǔ)上做后續(xù)分析。功能連接矩陣可以視作是一種對(duì)原始fMRI序列便捷的人工特征提取方法，而其中的時(shí)序動(dòng)態(tài)變化信息并沒(méi)有充分被充分地利用到分類中，如能將此部分損失信息加以有效利用，則對(duì)于提高fMRI的分類診斷能力具有重要意義。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，循環(huán)神經(jīng)網(wǎng)絡(luò)模型（LSTM, GRU等）以其優(yōu)秀的非線性隱狀態(tài)建模能力，在序列分析領(lǐng)域的性能普遍超過(guò)了傳統(tǒng)的線性模型。 

　　受此啟發(fā)，中國(guó)科學(xué)院自動(dòng)化研究所腦網(wǎng)絡(luò)組研究中心隋婧研究組提出了多尺度卷積循環(huán)神經(jīng)網(wǎng)絡(luò)算法（Multi-scale RNN），該算法能夠直接在時(shí)間序列(TC)上使用RNN模型自動(dòng)學(xué)習(xí)fMRI的時(shí)間-空間特征，突破了現(xiàn)有fMRI分析“先借助時(shí)間序列構(gòu)建功能連接矩陣再分類”的傳統(tǒng)框架。在此項(xiàng)研究中，采用了改進(jìn)GRU模型作為序列處理的基本模型。由于功能磁共振時(shí)間序列信噪比高的特點(diǎn)，將TCs直接作為GRU的輸入并不能得到最優(yōu)的分類性能。因而在GRU模塊之前引入了多尺度的一維卷積核進(jìn)行初級(jí)特征提取和濾波。多尺度卷積核的另一個(gè)功能是在不同時(shí)間尺度上自動(dòng)學(xué)習(xí)各腦區(qū)之間的交互關(guān)系。多尺度卷積核與GRU的配合可以充分發(fā)掘fMRI信號(hào)中蘊(yùn)含的時(shí)間-空間信息，模型的具體結(jié)構(gòu)如圖1所示。 

　　依托前期“973”項(xiàng)目，腦網(wǎng)絡(luò)組中心建立了千例級(jí)的精神分裂癥腦影像學(xué)數(shù)據(jù)庫(kù)。上述提出的MsRNN算法在1100例的多中心數(shù)據(jù)測(cè)試中，相比已有流行算法（支持向量機(jī)，隨機(jī)森林，Adaboost）顯著提升了精神分裂癥的分類精度，整體分類精度達(dá)到83%，跨站點(diǎn)預(yù)測(cè)精度均值為80.2%，如圖2；并通過(guò)“留一特征法”遍歷分析每個(gè)特征對(duì)于分類的貢獻(xiàn)度大小，發(fā)現(xiàn)了區(qū)別診斷貢獻(xiàn)最顯著的腦區(qū)集中于紋狀體和小腦，提高了算法的可解釋性，有助于尋找疾病相關(guān)的影像學(xué)標(biāo)志物。該研究提出的模型亦可拓展至其它類型的生理序列信號(hào)研究中，為腦電、腦磁圖等信號(hào)的分析提供了新的解決方案，具有廣闊的應(yīng)用前景。相關(guān)成果近期發(fā)表于The Lancet旗下綜合性子刊EBiomedicine，第一作者為腦網(wǎng)絡(luò)組中心博士生燕衛(wèi)政，題目為Discriminating schizophrenia using recurrent neural network applied on time courses of multi-site FMRI data。 

　　論文鏈接