用于预测婴儿期个性化功能连接组发育的三重纵向掩码自动编码器

《Medical Image Analysis》：Triplet Longitudinal Masked Autoencoder for Predicting Individualized Functional Connectome Development during Infancy

婴儿脑功能连接动态轨迹预测模型研究

　　脑功能连接（Functional Connectivity, FC）是研究婴儿大脑功能组织的重要工具，通常通过静息态功能性磁共振成像（resting-state functional MRI, rs-fMRI）来构建。这种基于功能连接的方法能够揭示大脑在不同区域之间的相互作用模式，从而帮助我们理解大脑发育的动态过程。然而，婴儿的FC数据在获取过程中常常面临诸多挑战，例如数据采集频率低、数据缺失不规律，以及婴儿大脑在发育早期容易受到运动伪影等噪声的影响，导致数据质量下降。这些问题不仅限制了FC分析的准确性，也影响了对发育轨迹的建模和预测。

近年来，随着深度学习技术的发展，研究人员尝试利用这些方法来解决FC预测和分析中的问题。例如，一些研究使用生成对抗网络（Generative Adversarial Networks, GANs）和图卷积网络（Graph Convolution Networks, GCNs）来预测结构性连接（Structural Connectivity, SC）或功能性连接，从而更深入地理解大脑结构与功能之间的关系。然而，大多数现有方法仍然主要关注成年人的FC数据，这些数据在时间上相对稳定，适合用于构建较为通用的模型。相比之下，婴儿的FC数据具有高度的个体差异性，并且随着发育的进行，这些连接模式可能会发生显著的变化，这使得婴儿FC的预测和建模变得更加复杂。

为了解决这一问题，我们提出了一种新的模型——Triplet Longitudinal Masked Autoencoder（TL-MAE），专门用于预测婴儿FC的长期动态发展轨迹。该模型的核心思想是通过引入新的策略，确保FC预测在时间上的连贯性和稳定性，同时提升个体化预测的准确性。具体而言，TL-MAE采用了以下三种创新策略：

首先，我们构建了一个纵向一致的预测策略，以确保在生成FC过程中保持时间的一致性与鲁棒性。传统的FC预测方法通常独立地处理每个时间点的数据，忽略了时间序列之间的依赖关系，导致预测结果在时间上不连贯，甚至出现偏差。而TL-MAE通过引入时间一致性约束，确保在预测过程中能够考虑到不同时间点之间的变化趋势，从而提高预测的准确性。

其次，我们引入了专门针对FC的Masked Autoencoder（MAE），以捕捉FC领域的特征。MAE是一种自监督学习模型，通常用于图像重建任务，通过遮蔽图像的一部分并尝试从剩余部分中恢复被遮蔽的部分，从而学习图像的结构和特征。在我们的模型中，我们对MAE进行了改进，使其能够更有效地处理FC数据。我们利用了高质量的成人FC数据进行预训练，使模型能够学习到更丰富的特征表示，从而提升其在婴儿FC预测中的表现。

第三，我们开发了一个双三元组网络（Dual Triplet Network）和一个身份条件模块（Identity Conditional Module, ICM），以实现对年龄和身份信息的分离。婴儿的FC数据中往往包含了复杂的年龄相关和身份相关特征，这些特征在时间序列中交织在一起，使得个体化预测变得困难。通过双三元组网络，我们能够有效地将年龄相关和身份相关的特征区分开来，从而更准确地提取出与大脑发育相关的特征。随后，我们利用身份条件模块，将这些特征与目标年龄的信息进行融合，以生成符合特定年龄的FC预测结果。

为了优化TL-MAE的训练过程，我们设计了一个三阶段的训练策略。在第一阶段，我们使用成人FC数据进行预训练，以提升模型的特征提取能力。在第二阶段，我们对模型进行微调，使其能够更好地适应婴儿FC数据的特性。在第三阶段，我们引入了动态时间扭曲损失（Dynamic Time Warping Loss, DTW Loss）和循环预测机制，以确保预测结果在时间上的连贯性和稳定性。

实验结果显示，我们的TL-MAE模型在两个婴儿纵向发展数据集——UNC/UMN Baby Connectome Project（BCP）数据集和Multi-visit Advanced Pediatric Brain Imaging Study（MAP）数据集上取得了优异的性能。这些数据集中的每个受试者都提供了2到5个时间点的rs-fMRI数据，通过将同一受试者在不同时间点的数据配对并划分为训练集和测试集，我们验证了TL-MAE在预测FC发育轨迹方面的有效性。实验结果表明，与现有的深度学习方法相比，我们的模型在预测FC的时间一致性、个体化特征提取以及整体准确性方面都有显著提升。

此外，我们还探讨了不同数据集的使用情况，以验证模型的有效性。在预训练阶段，我们使用了Human Connectome Project（HCP）数据集中的2171个rs-fMRI扫描数据，这些数据来自1086名受试者。HCP数据集的图像采集使用了定制的Siemens 3T Skyra扫描仪，每个受试者在两天内进行扫描，每天获取两次静息态扫描数据，以确保数据的丰富性和多样性。通过使用这些数据进行预训练，我们使模型能够学习到更全面的FC特征，从而为婴儿FC预测提供更坚实的基础。

在实验设置阶段，我们对模型进行了严格的评估。我们将两个数据集中的数据划分为训练集和测试集，并使用5:1的比例进行训练和测试。通过这种方式，我们确保了模型在不同数据集上的泛化能力，并验证了其在预测婴儿FC发育轨迹方面的有效性。实验结果表明，TL-MAE不仅能够更准确地预测FC的长期发展轨迹，还能够有效地提取个体化特征，从而为婴儿神经发育障碍的早期识别提供支持。

在结论部分，我们总结了TL-MAE的主要贡献。首先，我们提出了一种新的纵向预测方法，通过引入时间一致性约束和循环预测机制，确保预测结果在时间上的连贯性和稳定性。其次，我们利用成人FC数据进行预训练，以提升模型的特征提取能力，并使其能够更好地适应婴儿FC数据的特性。第三，我们开发了一个双三元组网络和一个身份条件模块，以实现对年龄和身份信息的分离，从而提高个体化预测的准确性。

总的来说，TL-MAE模型为婴儿FC的长期预测提供了一种新的方法，能够有效应对数据稀缺和不规律的问题，同时提升预测的准确性和个体化特征提取的能力。这种方法不仅有助于深入理解婴儿大脑发育的动态过程，还为早期识别神经发育障碍提供了重要的技术支持。未来的研究将进一步探索该模型在不同应用场景下的潜力，并验证其在临床诊断中的实际价值。