基于多模态MRI的偏头痛分类：使用深度学习卷积神经网络

DOI: https://doi.org/10.1186/s12938- 018- 0587- 0

摘要总结 深度学习技术已迅速扩展到医学图像分析领域，包括疾病检测和分类两个方面。

此前尚无研究评估深度学习技术在辅助偏头痛患者分类方面的潜力。

我们结合深度学习方法与基于静息态功能磁共振成像（rs-fMRI）数据的三种功能指标（低频振幅、局部一致性和局部功能连接强度），不仅区分偏头痛患者与健康对照，还区分偏头痛的两种亚型。

我们纳入了21例无先兆偏头痛患者、15例有先兆偏头痛患者和28例健康对照者。

与传统支持向量机分类器（准确率为83.67%）相比，我们基于Inception模块的卷积神经网络方法在分类输出上显示出显著提升（超过86.18%）。

568

3 诊断

我们的研究表明，将rs-fMRI的三种功能指标与深度学习分类相结合，是区分偏头痛患者与健康个体的一种有力方法。

我们的数据还表明，基于深度学习的框架可以用于开发更复杂的模型或系统，以辅助未来的临床决策。

延伸：这是最早研究不同基于深度学习的框架性能并将其专门应用于偏头痛鉴别的研究之一。

我们使用了两种基于深度学习的分类器来区分健康大脑、受MWA（有先兆偏头痛）影响的大脑和受MWoA（无先兆偏头痛）影响的大脑。我们使用的第一个模型是基于AlexNet [472]的CNN网络，第二个模型是带有Google Inception模块的CNN。

与我们先前分析的支持向量机分类器（最终分类准确率为83.67%）[473]相比，我们的方法为深度学习方法结合fMRI特征作为提高偏头痛鉴别能力的方法提供了初步支持。

背景 通过使用静息态fMRI，研究人员已证明偏头痛与功能脑改变的不同指标相关，包括低频振幅（ALFF）、局部一致性（ReHo）和局部功能连接强度（RFCS）。

尽管这些结果表明偏头痛可能由于疼痛相关过程的反复发生而导致功能脑改变，但很少有研究考虑使用这些功能特征来改善偏头痛的分类和诊断。

我们使用了两种基于深度学习的分类器来区分健康大脑、受MWA（有先兆偏头痛）影响的大脑和受MWoA（无先兆偏头痛）影响的大脑。我们使用的第一个模型是基于AlexNet [472]的CNN网络，第二个模型是带有Google Inception模块的CNN。

这是最早研究不同基于深度学习的框架性能并将其专门应用于偏头痛鉴别的研究之一。

方法 影像数据通过回波平面成像（EPI）序列横断面采集，参数设置如下：重复时间/回波时间（TR/TE）= 1900/2.26 ms，翻转角= 9°，层厚/间距= 1/0 mm，视野（FOV）= 256 × 256 mm²，矩阵= 256 × 256，体素大小= 1 × 1 × 1 mm³。

rs-fMRI数据也使用回波平面成像（EPI）序列采集，参数设置如下：TR/TE = 2000/30 ms，翻转角= 90°，层厚/间距= 5/0 mm，FOV= 240 × 240 mm²，矩阵= 64 × 64，体素大小= 3.75 × 3.75 × 5 mm³。

3.4 神经影像

569

关于输入层，特征映射后的fMRI图像被用作输入数据，卷积层在CNN架构中扮演最重要的角色，因为它是此类网络的核心构建模块。

结果 在三种不同特征中，表现最佳的是RFCS，使用基于Inception模块的CNN区分健康对照（HC）组和偏头痛组时，最高识别率达到99.25%。

根据实验数据，基于AlexNet的CNN的识别率低于基于Inception模块的CNN，特别是在ALFF特征方面。

基于Inception模块的CNN在大多数情况下提高了分类性能。

两种框架区分MWoA和MWA组都相对困难，基于AlexNet的CNN的识别率仅为86.43%。

与其他特征相比，RFCS特征映射提高了两种基于深度学习模型的分类准确率，两者之间存在明显差异。

讨论 我们研究了基于深度学习的框架使用从rs-fMRI数据中提取的特征来区分MWoA、MWA和HC的能力。

与我们先前分析的支持向量机分类器（最终分类准确率为83.67%）[473]相比，我们的方法为深度学习方法结合fMRI特征作为提高偏头痛鉴别能力的方法提供了初步支持。

在基于深度学习的框架中使用RFCS特征时，我们获得了高达99.25%的准确率。

我们得出结论，基于深度学习的框架在使用这些fMRI特征时可以帮助识别偏头痛患者。

在所有测试的特征中，基于Inception模块的CNN比基于AlexNet的CNN产生了更高的准确率。

在这些基于深度学习的框架中，我们未来的目标是可视化受偏头痛影响最大的脑区。

结论 我们采用的RFCS、ReHo和ALFF这三种功能指标可以用于表示不同程度下的分类特征。

致谢 基于Yang, Hao; Zhang, Junran; Liu, Qihong; Wang, Yi, 2018年发表于BioMedical Engineering OnLine的工作生成的机器摘要。

570

3 诊断

3.5

药物过度使用与成瘾

机器生成关键词：moh，药物，过度使用，药物过度使用，药物过度使用性头痛，moh患者，药物，药物过度使用，患者moh，急性药物，物质，曲普坦，成瘾，灰质，戒断

药物过度使用与药物成瘾：从成瘾视角的叙述性综述