基于磁共振影像的深度学习在精神分裂诊断中的研究综述.docx

基于磁共振影像的深度学习在精神分裂诊断中的研究综述

焦玉宏?邢耀麟?张凡?李贺杰?谭颖（通讯作者）

西南民族大学,四川?,成都,610041

摘要：精神分裂症是一种严重的精神疾病，目前尚无明确的生物标志物，难以精准治疗。深度学习最近被用于神经图像的分析，并在计算机辅助诊断大脑疾病方面取得了比传统机器学习显著的性能改进。本文综述了深度学习方法在精神分裂症诊断中的应用。首先通过介绍各种类型的深度神经网络和必威体育精装版的发展，对深度学习技术和流行的网络结构进行了全面的概述。然后，回顾了用于精神分类症辅助诊断的深度学习方法。最后，本文讨论了现有研究的局限性，并提出了未来可能的方向。

关键字：精神分裂症；深度学习；分类；磁共振成像

1引言

精神分裂症（SZ）是一种常见且可遗传的精神疾病，其终身患病率约为1%[1]，给患者家庭和社会带来了沉重的负担。磁共振影像是一种能够反映大脑解剖结构或功能的客观非侵入的成像方式，常用于脑部疾病诊断[2]。在临床实践中，医学图像的详细解释需要临床医生等人类专家进行。然而，对于数量庞大的医学图像，解释不仅耗时，而且容易受到人类专家的偏见和潜在疲劳的影响。因此，开发基于磁共振影像的深度学习算法辅助医生进行精神分裂症的诊断是十分有必要的。

机器学习能够从数据中提取能够很好地描述内在模式的信息特征，在医学图像分析中发挥着至关重要的作用。然而，医学图像的结构非常复杂，特征选择步骤仍然是由人类专家根据其特定领域的知识进行的。这给非专家在医学图像分析中使用机器学习技术带来了挑战。深度学习算法能够自动地学习最佳表征数据的特征，缓解了机器学习的局限性。研究者通过将医学数据导入，利用深度学习学习重要特征构建相关的模型并且利用模型实现对个体的预测。

2深度学习

在这一部分中，本文介绍了文献中基本的深度学习模型的基本概念，这些模型已经被广泛应用于医学图像分析，特别是人脑疾病的诊断。

2.1前馈神经网络

人工神经网络旨在通过模仿生物神经网络的功能方式来模拟智能行为。最简单的人工神经网络是单层架构，由输入层和输出层组成。然而，人工神经网络是一种线性分类器，只能处理线性可分问题。多层感知器在输入层和输出层之间引入了多个隐藏层，利用非线性激活函数对每个输出进行非线性变化，从而解决非线性问题。

2.2卷积神经网络

卷积神经网络（CNN）是深度学习的一个重要分支，广泛用于目标检测和分类等任务。计算机视觉的典型剪辑神经网络一般包含三层：卷积层，池化层和全连接层。卷积层和池化层穿插在一起。卷积层通过卷积好热对特征图进行局部感知和权值共享。为了考虑非线性的问题，在卷积层的输出端通常引入激活函数进行非线性映射。池化层是一种下采样操作，用于减小数据维度，降低运算复杂度。全连接层将二维或三维特征图映射到一维特征向量，实现精神分裂症分类研究。

2.3循环神经网络

递归神经网络(RNN)是前馈神经网络的扩展，它能够从序列和时间序列数据中学习特征和长期依赖关系。最流行的RNN架构是长短期记忆网络(LSTM)[47]，它由存储单元、忘记门、输入门和输出门组成。存储单元将相关信息一路传送到序列链，并且这些门控制来自各种来源的激活信号，以决定向存储单元添加和从存储单元移除哪些信息。

2.4图卷积神经网络

尽管卷积神经网络在从欧几里德数据中提取潜在特征方面取得了巨大的成功，但从非欧几里德领域产生的数据需要进行有效分析的各种应用程序的数量正在迅速增加。研究人员直接借鉴卷积神经网络的想法来设计图形卷积网络（GCN）的架构，以处理复杂的图形数据。图神经网络是将传统数据转换为图形数据，然后将图形结构和节点内容信息作为输入。图卷积层通过聚合相邻节点的特征信息，在提取节点隐含表示中起着核心作用。图合并层可以与GCN层交织，并将粗化图交织成子图，以便获得粗化子图上每个节点的更高图级表示。在多个完全连通的层之后，使用Softmax输出层来预测类别标签。

3深度学习在基于磁共振影像的精神分裂症诊断中的应用

根据数据的不同模态，本文将深度学习在精神分裂症诊断中的应用研究划分为三类：基于结构磁共振成像的方法，基于功能磁共振成像的方法和基于多模态数据的方法。

1）基于结构磁共振成像的方法

结构磁共振成像具有空间分辨率高的特点，可以为精神分裂症检测提供了有效的结构信息。Pinaya等人通过提取大脑的皮层厚度和解剖结构作为特征，基于深度置信网络获得了73.55%的分类准确率。Hu等人使用不同的CNN框架对精神分裂症患者进行分类，结果表明3D-CNN可以充分学习结构磁共振成像的结构信息，得到比2D-CNN更优的分类结果。Zhou等人利用8个影像中心的结构磁共振成像数据构建DNN模型，最终得到76.82%的分类准确度。Ulloaet等人利用独立分量分析(ICA)和