4D 卷积神经网络的自闭症功能磁共振图像分类

郭磊，王骏，丁维昌，潘祥，邓赵红，施俊，王士同

（1.江南大学 人工智能与计算机学院，江苏 无锡 214122;2.上海大学 通信与信息工程学院，上海 200444）

自闭症(autism spectrum disorder,ASD)是一种广泛性发展障碍类疾病，也是一种具有生物基础的发育障碍类疾病。该病症发病时间不等，大部分发病于儿童时期并伴随一生。其主要症状表现在社会交流障碍、语言交流障碍、情感缺陷等方面。这就导致了患者在日常的生活、交流和学习中有很大的障碍。因此，自闭症的预测分类研究一直备受广大研究者的关注。研究者已经发现ASD 患者与正常人(typically developing individuals,TD)在大脑的功能连接上有明显的差异[1]。

静息态功能磁共振成像(resting state functional magnetic resonance image，rs-fMRI)通过在静息状态下采集血氧水平依赖信号,对信号去噪[2]后，使用多层同时扫描技术[3]对功能磁共振全脑影像快速采集，以此来获得时间分辨率和空间分辨率较高的图像，获得rs-fMRI 后，关键问题是如何从中有效提取特征。对于传统的特征提取方法，以相关分析法为例，即选取ROI 种子点并计算它的平均时间序列，然后与全脑所有体素的时间序列进行计算，或者两个脑区之间的平均时间序列计算，得到相关系数，以此来反映不同脑区神经活动模式之间的时间相关性[4]。作为图像的预处理阶段，该方法对ROI 异常敏感，种子点选取的位置、大小差异都可能导致较大的数据分析结果差异。

近年来，卷积神经网络(convolutional neural networks,CNN)在医学图像分类任务中取得了非常好的效果，随着结构的不断优化，诞生了多种成熟的网络模型。……