早期MCI検出のための静的および動的脳機能ネットワークの深い学習

畳み込みニューラルネットワーク（CNN）は、医療画像から階層的空間機能を学習する強力な能力を実証していますが、安静時の機能的MRI（RS-FMRI）および導出された脳機能ネットワーク（BFN）に直接適用することは依然として困難です。脳疾患の診断のためにBFNSから組み込まれた機能を同時に学習するための新しいCNNフレームワークを提案します。静的および動的関数接続性（FC）の両方を考慮することでBFNは構築できるため、最初にRS-FMRIを変更された独立したコンポーネント分析で複数の静的BFNに分解します。次に、動的FCのボクセルごとの変動性を使用して、BFNダイナミクスを定量化します。静的/動的BFNを表すペアの3D画像のセットは、3D CNNSに供給でき、そこから階層的かつ同時に静的/動的BFN機能を学習できます。その結果、動的BFN機能は静的BFN機能を補完することができ、その間に、異なるBFNは、ジョイントとより良い分類に向けて互いに助け合うことができます。臨床医にとって最も困難な問題の1つである初期段階の軽度認知障害（EMCI）診断におけるRS-FMRIデータセットの公開可能な大規模なコホートで私たちの方法を検証します。従来の方法と比較することにより、私たちの方法は、診断パフォーマンスの大幅な改善をほぼ10％示しています。この結果は、静止状態の脳機能コネクショナルの複雑で高次元ボクセルの時空間パターンに基づいて、前臨床アルツハイマー病疾患診断における深い学習の有効性を示しています。このフレームワークは、さまざまな神経疾患のより良い個別化された診断のために、RS-FMRIから深く埋め込まれた診断機能を完全に活用するための新しいが直感的な方法を提供します。

While convolutional neural network (CNN) has been demonstrating powerful ability to learn hierarchical spatial features from medical images, it is still difficult to apply it directly to resting-state functional MRI (rs-fMRI) and the derived brain functional networks (BFNs). We propose a novel CNN framework to simultaneously learn embedded features from BFNs for brain disease diagnosis. Since BFNs can be built by considering both static and dynamic functional connectivity (FC), we first decompose rs-fMRI into multiple static BFNs with modified independent component analysis. Then, the voxel-wise variability in dynamic FC is used to quantify BFN dynamics. A set of paired 3D images representing static/dynamic BFNs can be fed into 3D CNNs, from which we can hierarchically and simultaneously learn static/dynamic BFN features. As a result, the dynamic BFN features can complement static BFN features and, at the meantime, different BFNs can help each other toward a joint and better classification. We validate our method with a publicly accessible, large cohort of rs-fMRI dataset in early-stage mild cognitive impairment (eMCI) diagnosis, which is one of the most challenging problems to the clinicians. By comparing with a conventional method, our method shows significant diagnostic performance improvement by almost 10%. This result demonstrates the effectiveness of deep learning in preclinical Alzheimer's disease diagnosis, based on the complex and high-dimensional voxel-wise spatiotemporal patterns of the resting-state brain functional connectomics. The framework provides a new but intuitive way to fully exploit deeply embedded diagnostic features from rs-fMRI for a better-individualized diagnosis of various neurological diseases.