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(yè)務范圍,思影科技推出腦影像機器學習數(shù)據(jù)處理業(yè)務。如感興趣請聯(lián)系楊曉飛siyingyxf或18983979082（微信號）進行咨詢，電話：18580429226

一、數(shù)據(jù)質量檢查     

數(shù)據(jù)質量檢查包括：   

（1）對于原始數(shù)據(jù)，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(shù)是否合適，如圖像維度、體素大小等；   

（3）對于預處理后的數(shù)據(jù)，檢查所有被試的圖像參數(shù)是否一致。 

二、特征構建

      本部分描述可用于后續(xù)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(shù)據(jù)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(shù)據(jù)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(shù)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(shù)據(jù)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(shù)據(jù)（如ASL，即動脈自旋標記數(shù)據(jù)），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(shù)據(jù)，可以構建全腦功能腦網絡；基于dMRI數(shù)據(jù)，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(qū)的數(shù)值作為特征。利用特定的腦圖譜，可提取每個單獨腦區(qū)的平均指標值。

圖示.提取每個單獨腦區(qū)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(xù)分析。

8.PET。PET（正電子發(fā)射斷層顯像）數(shù)據(jù)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(lián)系我們進行協(xié)商。上述指標的具體計算，可以參考我們的其他數(shù)據(jù)處理業(yè)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(shù)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(shù)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(xiàn)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(xiàn)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(shù)，即使基于線性不可分的數(shù)據(jù)，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(xù)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(lián)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(xiàn)）模型。該模型可以自動從原始數(shù)據(jù)中提取特征，用于后續(xù)的預測任務。      

5.聚類。當數(shù)據(jù)沒有標簽時，可以選擇無監(jiān)督學習算法，如K-means聚類。      

6.上述模型的變種。如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(tài)融合學習。可以對多種模態(tài)的特征kernel進行融合，實現(xiàn)多核SVM學習；也可以使用卷積神經網絡融合多模態(tài)數(shù)據(jù)，充分利用各種模態(tài)的特征。

圖示.基于多模態(tài)特征的SVM分類

圖示.使用卷積神經網絡進行多模態(tài)融合

3.2 參數(shù)優(yōu)化&精度評估      

如果選擇的模型具有超參數(shù)，則可以選擇進行超參數(shù)優(yōu)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(shù)優(yōu)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(qū)別于隨機猜測），可以打亂數(shù)據(jù)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(jù)需求實現(xiàn)。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(fā)現(xiàn)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(jù)您提供的模板文獻，基于您的實驗數(shù)據(jù)，實現(xiàn)文獻中使用的數(shù)據(jù)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(xiàn)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(xiàn)想法。在沒有現(xiàn)有的軟件適用于您的數(shù)據(jù)分析需求時，思影科技會與您協(xié)商，通過編寫代碼實現(xiàn)您的想法，并提供代碼的完整實現(xiàn)。

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(xié)商實現(xiàn)。

微信掃碼或者長按選擇識別關注思影