First Glance Diagnosis: Brain Disease Classification with Single fMRI Volume

要約

神経画像解析において、機能的磁気共鳴画像法（fMRI）は、明らかな構造的病変を伴わない脳疾患の脳機能変化をよく評価することができる。これまでのところ、ほとんどの深層学習ベースのfMRI研究では、機能的結合度を疾患分類の基本的な特徴としています。しかし、機能的結合はあらかじめ定義された関心領域の時系列に基づいて計算されることが多く、各ボクセルに含まれる詳細な情報が無視され、それに応じて診断モデルの性能が劣化する可能性があります。また、深層モデルを学習させるためのサンプル数が限られていることも、方法論的な欠点である。本研究では、十分なデータサイズと次元を持つボクセル単位の詳細情報を十分に活用するために、単一のfMRIボリュームを用いた脳疾患分類のための一般的なハイブリッドトランスフォーマーアーキテクチャであるBrainFormerを提案する。BrainFormerは、各ボクセル内のローカルキューを3次元畳み込みでモデル化し、離れた領域間のグローバルな関係を2つのグローバルアテンションブロックで捉えることで構築されている。BrainFormerでは、ローカルキューとグローバルキューはシングルストリームモデルによって集約される。マルチサイトデータを扱うために、データを同一分布に正規化する正規化レイヤーを提案する。最後に、勾配に基づく局所化マップ可視化法を用いて、疾患関連バイオマーカーの可能性のある場所を特定する。我々はBrainFormerを、ABIDE、ADNI、MPILMBB、ADHD-200、ECHOの5つのデータセット（自閉症、アルツハイマー病、うつ病、注意欠陥多動性障害、頭痛の病気）で評価した。この結果は、BrainFormerが複数の脳疾患診断に有効であること、またその一般性を示しています。BrainFormerは、臨床現場における神経画像に基づく精密診断を促進し、fMRI解析における今後の研究の動機付けとなることが期待されます。コードは、https://github.com/ZiyaoZhangforPCL/BrainFormer で入手できます。

要約(オリジナル)

In neuroimaging analysis, functional magnetic resonance imaging (fMRI) can well assess brain function changes for brain diseases with no obvious structural lesions. So far, most deep-learning-based fMRI studies take functional connectivity as the basic feature in disease classification. However, functional connectivity is often calculated based on time series of predefined regions of interest and neglects detailed information contained in each voxel, which may accordingly deteriorate the performance of diagnostic models. Another methodological drawback is the limited sample size for the training of deep models. In this study, we propose BrainFormer, a general hybrid Transformer architecture for brain disease classification with single fMRI volume to fully exploit the voxel-wise details with sufficient data dimensions and sizes. BrainFormer is constructed by modeling the local cues within each voxel with 3D convolutions and capturing the global relations among distant regions with two global attention blocks. The local and global cues are aggregated in BrainFormer by a single-stream model. To handle multisite data, we propose a normalization layer to normalize the data into identical distribution. Finally, a Gradient-based Localization-map Visualization method is utilized for locating the possible disease-related biomarker. We evaluate BrainFormer on five independently acquired datasets including ABIDE, ADNI, MPILMBB, ADHD-200 and ECHO, with diseases of autism, Alzheimer’s disease, depression, attention deficit hyperactivity disorder, and headache disorders. The results demonstrate the effectiveness and generalizability of BrainFormer for multiple brain diseases diagnosis. BrainFormer may promote neuroimaging-based precision diagnosis in clinical practice and motivate future study in fMRI analysis. Code is available at: https://github.com/ZiyaoZhangforPCL/BrainFormer.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL