基于机器学习的脑网络分析及其应用研究

With development of imaging devices, learning connectivity characteristics of brain network from neuroimaging data has attracted wide attention for exploring the association between brain functional deficits and the underlying structural disruption related to brain disorders. Machine learning has becoming a new focus of research in brain network analysis since it can obtain the rules via automatically analyzing data and apply these rules to predict the unknown data. Based on the advanced research of machine learning, in this project we will study several important problems in brain network analysis, including construction of brain networks, feature learning and classification. Specifically, in this project we will 1) construct the complex brain network models based on hyper-graph and multi-task clustering method to character the dynamic and high-order interaction among multiple brain regions, thus avoiding the defects of existing methods which only reflect the stational and pair-wise interaction between brain regions; 2) develop a novel feature learning model for multi-modality brain-network data, and further deal with the case of incomplete multi-modality data; 3) design a novel similarity measure model for brain networks, and further develop a classification method based on semi-supervised (or domain transfer) learning to overcome the small sample problem, and thus improve the performance of brain network classification; 4) apply the above-mentioned brain network analysis models and methods for early diagnosis of brain diseases. The study of this project will contribute to the theory and method of brain network analysis, and is also expected to achieve practical application results.

随着成像设备的发展和普及，从神经影像中学习脑的网络连接特性，探索脑功能障碍与脑疾病相关的结构性破坏之间的关联受到广泛关注。机器学习由于能够从数据中自动获得规律，并对未知数据进行预测，已成为脑网络分析中一个新的研究热点。本项目基于机器学习的最新研究进展，对脑网络分析中网络构建、特征学习和分类等重要问题进行研究。具体地，本项目将：1）构建基于超图和多任务聚类的复杂脑网络模型，用于刻画脑区间高阶动态的交互性，克服现有方法仅刻画脑区间静态简单的二阶关系的缺陷；2）提出面向多模态网络数据的特征学习模型，并进一步处理模态数据不完整的情况；3）设计面向脑网络的相似性计算模型，并设计基于半监督（或迁移）学习的脑网络分类模型，克服脑网络分析中小样本问题，提高脑网络分类的精度；4）将上述模型和方法应用于脑疾病早期诊断。通过本项目的研究不仅能为脑网络分析的理论与方法有所贡献，还望能取得实际的应用成果。

本项目基于稀疏学习、深度学习和图学习，对脑网络分析中网络构建、特征学习和分类等三个方面重要问题展开研究，提升了脑网络分类的性能。具体地，本项目主要的研究工作有：1）构建了基于超图的复杂脑网络模型，用于刻画脑区间高阶动态的交互性，克服现有方法仅刻画脑区间静态简单的二阶关系的缺陷。进一步，针对基于相关性的功能性网络构建方法不能刻画时间序列上每个时间点的特定贡献，提出了权重相关性核用于网络的构建，利用一个（通过数据驱动的方式来获得）权重来刻画不同时间点特定贡献，并基于提出的权重相关性核构建一个统一的卷积神经网络框架，用于脑网络构建、提取分层（从局部到整体，从低层次到高层次）特征提取及分类预测。最后，针对目前脑网络分析主要面向单一模态，而忽略多个模态间的互补信息，提出了一种多模态的超网络构建和分析框架；2）首先，提出了一种基于时序约束的组稀疏化特征选择方法，用于刻画特征（影像数据）之间存在时序上的关系。其次，提出了一种基于图核的结构化特征选择方法，充分利用网络数据整体结构信息和网络数据自身结构构信息选择出更具有判别力的特征，并将提出的模型推广到多模态环境。最后，定义一种新的测量刻画动态脑网络的空间变化性，并构建了整合脑网络空间变化性和时间变化性的学习框架用于脑网络分析。3）首先，设计了一种新的图核，用于计算脑网络的相似性，提出的图核能保留图的局部和整体的拓扑特性，从而更好地用于网络的相似性比较及分类。其次，构建了一种序模式，用于保留网络边的权重信息及其序关系，并提出了一种基于序模式的网络学习框架用于脑网络的分析。最后，提出了一种基于权值分布的自适应阈值化方法，充分考虑了所研究网络的全局特征以及网络中各边不同权重的强弱，自适应确定每条边（两个脑区间的连接）的阈值。4）上述模型和方法已被成果地应用于脑疾病早期诊断，获得了很好的分类性能。