SliceMap:一种基于二分类的二维处理流程,用于在脑部磁共振成像(MRI)中检测具有区分性的候选区域

《Frontiers in Neuroimaging》:SliceMap: a binary classification-driven 2D pipeline for detecting discriminative candidate regions in brain MRI

【字体: 大 中 小 】 时间:2026年05月15日 来源:Frontiers in Neuroimaging

编辑推荐:

  摘要 从脑磁共振成像(MRI)中识别空间定位的神经解剖学信号是许多临床和科学问题的核心,包括医学诊断和疾病机制的研究。然而,从高维MRI数据中可靠地检测到这些微妙且空间定位的信号仍然具有挑战性。在我们的研究中,我们提出了一种基于性能的二维(2D)切片管道,用于识别脑MRI中的

  摘要
从脑磁共振成像(MRI)中识别空间定位的神经解剖学信号是许多临床和科学问题的核心,包括医学诊断和疾病机制的研究。然而,从高维MRI数据中可靠地检测到这些微妙且空间定位的信号仍然具有挑战性。在我们的研究中,我们提出了一种基于性能的二维(2D)切片管道,用于识别脑MRI中的候选空间区域。该管道使用在特定平面的MRI切片上训练的高效2D卷积神经网络,并采用二分类作为建模任务来评估切片级别的性能。然后对每个解剖平面上表现最佳的切片进行基于遮挡的属性分析,并联合检查得到的映射以定位候选的三维脑区域。我们使用性别分类作为受控测试平台来演示所提出的管道,识别出与前扣带回皮层及其相邻内侧结构(包括胼胝体膝部的一部分)相对应的空间定位候选区域,这与先前关于这些区域性别差异的神经解剖学发现一致。

1 引言
脑磁共振成像(MRI)在神经科学和临床研究中发挥着核心作用,它使得能够无创地研究大脑结构(Matthews和Jezzard,2004;Pinter和Fritz,2020)。许多基于MRI的分析的一个核心目标是识别能够区分疾病相关效应或表型对比的空间定位的神经解剖学区域(Ashburner和Friston,2000;Frisoni等人,2010;Good等人,2001)。这种空间定位对于医学诊断(Frisoni等人,2010;Freedman,2006;Teipel等人,2013)、推进我们对这些差异背后的病理和生理机制的理解(Dijkhuizen,2006;Dijkhuizen和Nicolay,2003)以及指导下游生物学解释中的假设生成(Woo等人,2017)至关重要。然而,从脑MRI中可靠地识别这些空间定位的信号仍然具有挑战性。MRI数据是高维且空间复杂的,许多临床相关的信号非常微妙,不易被肉眼察觉(Tran等人,2013)。因此,随着时间的推移,已经开发了包括统计建模(Aja-Fernández和Vegas-Sánchez-Ferrero,2016)和机器学习方法(Mohsen等人,2012)在内的分析方法来应对这些挑战。传统方法,如基于体素的形态测量(VBM),通常进行体素级别的分析或依赖于线性建模假设,这限制了它们捕捉非线性模式和模拟大脑区域间协调效应的能力(Ashburner和Friston,2000)。随着机器学习技术的发展,可以有效地捕捉非线性模式。然而,标准的机器学习方法(例如支持向量机、随机森林、弹性网络、核岭回归)需要预先定义的特征工程,这引入了关于任务相关大脑特征的先验假设,从而限制了在MRI图像中检测新颖和有意义模式的能力(Abrol等人,2021)。最近,深度学习技术通过直接从原始图像数据中自动学习表示来克服这些限制,同时保留了MRI图像的空间结构并捕捉大脑区域间的复杂分布模式(Smucny等人,2022)。在深度神经网络架构中,卷积神经网络(CNN)在结构MRI分析任务中表现出强大的性能,在表示能力和计算可行性之间提供了实际的平衡(Khagi和Kwon,2020;Lu等人,2022;Farooq等人,2017)。具体来说,CNN通过连续的卷积层在多个空间尺度上学习特征,从局部边缘和纹理模式到更高层次的结构配置,使其非常适合于结构MRI,其中病理变化在一系列空间范围内表现出来(Dong等人,2025)。此外,跨空间位置的参数共享降低了模型复杂性,使得可以在不需要大规模计算资源的情况下对中等大小的神经影像队列进行有效训练(Lecun等人,1998)。先前的工作(例如Yu等人,2024)进一步证明了基于CNN的结构MRI数据集上的稳健性能。在现代MRI分析管道中,通常训练深度学习模型来区分表型类别,然后通过基于模型的属性技术(如基于梯度的属性和遮挡策略)推断感兴趣的区域(Zeiler和Fergus,2014;Zhang等人,2021;Korolev等人,2017;Shojaei等人,2023)来识别这些区域。基于梯度的方法,如GradCAM(Selvaraju等人,2017),通过利用卷积层的类别特定梯度信息生成显著性图,但其空间分辨率受到最后一层特征图维度的限制。基于扰动的方法,如遮挡(Zeiler和Fergus,2014),则通过系统性地屏蔽输入区域来直接测量模型输出的变化,提供了更直接的空间可解释性。综合这些考虑,激发了使用基于CNN的预测建模结合基于遮挡的属性来进行MRI数据中的空间定位。然而,现有的基于深度学习的空间定位管道主要在完整的三维脑体积上操作,这带来了巨大的计算需求,并且通常需要大型训练队列。此外,这些管道通常是针对特定的表型对比开发的,并没有明确设计为可跨不同表型分类任务重用的框架(Zhang等人,2015,2020;Hosseini-Asl等人,2016)。为了解决这些限制,我们开发了SliceMap框架,该框架首先评估各解剖平面上的切片级分类性能,以识别最具区分性的切片,然后在这些切片内应用基于遮挡的属性来定位候选区域。它利用基于切片的二维管道来识别MRI中的三维区分性脑区域。这种设计提供了(1)无需完整体积建模即可进行三维空间定位的有效策略,以及(2)一个旨在适用于不同表型对比的框架,在这里以性别分类作为概念验证。

2 材料与方法
所提出的SliceMap管道的总体工作流程如图1所示。使用性别分类作为测试案例来演示和验证该管道。
图1 提出的SliceMap管道用于空间定位区分性神经解剖学信号的概述。示意图展示了核心分析工作流程:从3D脑MRI体积中提取2D切片,并在每个平面内独立使用2D CNN评估切片级分类性能。根据MCC(平均分类系数)识别每个平面上表现最佳的切片。然后对每个最佳切片应用基于遮挡的属性分析以生成空间属性图。联合检查三个平面上的高属性区域,以识别与建模的二元对比相关的候选三维ROI。

2.1 数据准备
T1加权结构MRI扫描最初来自阿尔茨海默病神经影像计划(ADNI)(Jack等人,2008),包括ADNI1、ADNI-GO/2和ADNI3的数据。对于本研究,我们使用了根据先前研究(Yu等人,2024)描述的程序生成的预处理结构MRI图像数据。在此基础上,我们使用MONAI(Cardoso等人,2022)进行了额外的强度标准化,以在建模前标准化样本间的体素强度分布。预处理后,保留了2,258名参与者的9,938个MRI扫描(5,379名男性,4,559名女性)。人口统计特征,包括年龄和诊断组组成,在补充表S1中总结。
为了防止数据泄露,数据分割是在受试者级别而不是图像级别进行的。受试者被随机分为训练集、验证集和测试集,比例为64:16:20,分别对应1,444名、362名和452名受试者,从而得到6,334张训练图像、1,568张验证图像和2,036张测试图像。
由于我们的框架在二维输入上操作,我们从三个正交解剖平面(矢状面、冠状面和轴向面)提取了切片级表示,对应于大脑的左右、前后和上下方向(Toga和Thompson,2001)。这种切片级表示构成了所有后续分类和分析步骤的基础,并能够识别解剖学上定位的性别相关信号。

2.2 方法
本节描述了本研究中使用的方法论框架,包括CNN模型的构建和训练,以及一组统计验证和空间定位分析。具体来说,这些分析包括基于模拟的敏感性测试和基于排列的特异性测试,以评估信号的有效性;双阈值分析,以检查分类性能和样本保留如何随着预测置信阈值的变化而变化;以及定位程序,以识别脑MRI中的解剖学上定位的性别相关模式。

2.2.1 CNN架构
CNN架构改编自早期研究(Yu等人,2024)中描述的2D卷积神经网络,该网络在基于MRI的性别分类任务中表现出强大的性能。此外,在每个卷积层之后应用了批量归一化层,以稳定训练并促进收敛(Bjorck等人,2018;Santurkar等人,2018)。最终网络由三个卷积块组成,每个块包括一个3 × 3的卷积层、批量归一化层、一个修正线性单元(ReLU)和一个步长为2的2 × 2最大池化层。特征图的数量从三个块中的八个逐渐增加到十六个再到三十二个。在最后一个池化层之后,特征图被展平并通过一个具有128个隐藏单元的全连接层。然后应用层归一化、ReLU激活和dropout(比率=0.5),接着是一个产生单个logit的最终线性层,用于二元分类。

2.2.2 模型训练和超参数优化
对于每个解剖平面,独立训练了特定于切片的模型。所有模型都在PyTorch(Meta Platforms, Inc.,美国门洛帕克,v2.5.1,带CUDA 12.4)中实现,并在单个NVIDIA A30 GPU(24 GB内存)上训练。训练使用AdamW优化器(Loshchilov和Hutter,2019)进行,初始学习率为5 × 10^-5,批量大小为64,并使用二元交叉熵损失(BCEWithLogitsLoss)进行训练,最多200个周期。每个周期后保存模型检查点,并选择在独立测试集上评估的具有最低验证损失的检查点。
超参数优化使用矢状中切片CNN模型进行。探索了以下超参数:权重衰减{0.1, 0.01, 0.001};使用StepLR的学习率调度,步长为5、10或15个周期(衰减因子γ = 0.5),以及不进行调度的固定学习率设置;以及是否包含批量归一化层。每种配置使用相同的数据分割、优化器和损失函数训练了200个周期,并重复十次,每次使用不同的随机初始化。使用重复次数的平均Matthews相关系数(MCC)来选择最终配置,然后将其固定并应用于每个解剖平面内的所有特定于切片的模型。

2.2.3 评估指标
尽管数据集中的性别分布大致平衡(男性:5,379;女性:4,559),但所提出的管道旨在适用于神经影像中的广泛二元分类任务,其中许多任务可能表现出显著的类别不平衡。因此,采用MCC作为主要评估指标,因为它提供了一个对称且稳健的二元分类性能度量,并且对类别不平衡不太敏感(Chicco和Jurman,2020)。MCC定义为
MCC = (TP × TN) / (FP × FN)
值得注意的是,在二元分类中,MCC在数学上等同于观察到的和预测的二元标签之间的皮尔逊相关系数。我们还报告了准确率和精确度,以提供更完整的模型性能描述。

2.2.4 模拟实验
为了评估CNN是否可以可靠地识别空间定位的区分性信息,我们进行了一个受控的模拟实验。具体来说,从原始数据集中选择了一个预定义的立方区域([25:34]3)。在这个区域内,通过用来自高斯分布的样本替换原始值来修改女性MRI体积中的体素强度,该高斯分布的平均值设置为原始强度的两倍,标准差固定为1。该区域外的所有体素保持不变,男性MRI体积保持不变。原始和模拟数据集都使用相同的训练和评估程序进行分析。对于每个解剖平面(矢状面、冠状面和轴向面),将CNN模型应用于索引范围为5-65的切片,包括与模拟立方区域相交的切片和相邻的未受影响切片。使用MCC量化模型性能,从而可以直接比较原始数据集和模拟数据集之间的切片级差异。因为模拟数据仅通过预定义立方区域内的注入信号与原始数据不同,这种实验设计提供了一种受控的方法来评估模型是否可以定位和利用已知空间位置的区分性信号。

2.2.5 排列研究
为了验证CNN学习的是真实的结构信息而不是随机噪声,进行了排列实验。在保持所有图像和训练设置与原始配置相同的情况下,随机打乱了受试者的身份标签。对于每个解剖平面,模型都使用排列后的标签进行了重新训练,并将其性能与使用真实标签训练的模型进行了比较。两种条件下性能差异的显著性通过10次重复实验的双样本t检验进行了评估。如果在真实标签条件下MCC始终更高,则可以确认CNN捕捉到了生物学上有意义的性别相关模式,而不是虚假的相关性。2.2.6 双阈值分析为了评估模型性能随预测置信度的变化,我们对概率输出应用了双阈值策略。在这个框架中,概率高于上阈值的预测被分类为男性,低于下阈值的预测被分类为女性,而中间值的预测被忽略。对于每个阈值,基于保留的样本计算MCC,并记录保留样本的比例。这项分析量化了随着决策标准变得更加严格,模型性能的变化情况,揭示了分类性能与模型能够自信分类的样本比例之间的权衡。2.2.7 空间定位分析为了检测具有区分性的候选区域,我们实施了一个两步空间分析程序。首先,为了识别携带更强性别区分信息的解剖切片,我们在矢状面、冠状面和轴状面上进行了逐片分析。对于每个平面,选择了大约40个切片来覆盖整个脑体积,在结构细节通常更丰富的中间切片区域附近采样更密集(Toga和Thompson,2001年)。逐片的区分性能主要使用MCC来量化。其次,为了在每个平面内空间定位候选的区分区域,我们对每个解剖平面中表现最好的切片应用了基于遮挡的归因分析。对于每个切片,通过系统地遮盖局部区域并测量模型输出的变化来生成遮挡热图,从而识别对分类决策影响最大的区域。具体来说,对于每个样本和每个解剖平面,一个15×15像素的正方形遮挡窗口以五个像素的步长系统地移动。在每个窗口内,像素强度被替换为来自中性参考图像的相应值——该参考图像的预测logit最接近零——然后将扰动后的图像通过固定的训练好的CNN模型以获得新的预测。根据这个程序,对于每个个体n,位置(i, j)的原始遮挡分数定义为:δn(i, j) = ∑p∈P(i, j)f(xn)?f(x(p)n)|P(i, j)|δn(i, j) = ∑p∈P(i, j)f(xn)-f(xn(p))|P(i, j)|(2)(2)其中f(xn)表示原始图像的logit,f(x(p)n)表示遮挡补丁p后的logit,P(i, j)表示覆盖像素(i, j)的所有补丁的集合,|P(i, j)|表示覆盖像素(i, j)的补丁数量。为了确保正分数始终指示与性别标签无关的正确分类区域,定义了一个经过符号调整的分数:?δn(i, j) = {δn(i, j),如果受试者n是男性;?δn(i, j),如果受试者n是女性δ?n(i, j) = {δn(i, j),如果受试者n是男性;?δn(i, j),如果受试者n是女性(3)(3)对于每个受试者n,保留了前5%的?δn(i, j)值以识别最具空间影响力的位置。然后通过计算频率图来总结组级别的归因模式:F(i, j) = 1/N∑n=1I(?δn(i, j)≥τn)(4)(4)其中N是受试者的总数,τn是特定于受试者的第95百分位阈值。使用高斯核(σ = 1.0)对结果频率图进行平滑处理以便于可视化。在为所有三个解剖平面生成遮挡归因图后,检查了每个平面内的高归因区域,并定义了一个候选的三维ROI,作为在各个平面上显示最一致高归因的空间位置。为了验证候选ROI,我们在从每个样本的MRI中提取的24×24×24体素补丁上训练了一个轻量级的三维CNN。从相同的遮挡频率图中选出了一个大小相同的负对照区域。在相同的架构、训练设置和数据分割下,独立地在这个对照区域上训练了一个等效的3D CNN。通过重复实验使用MCC比较了两个区域之间的分类性能,假设候选ROI将产生显著更高的区分性能。3 结果3.1 模型训练和超参数优化基于超参数优化,最终配置包括权重衰减=0.1、StepLR调度步长=10,以及包含批量归一化层。在这种配置下,矢状中切片CNN模型在十次独立实验中的平均MCC为0.546 ± 0.010,重复实验中的性能保持一致。超参数优化结果的完整总结在补充表S2中提供。3.2 仿真研究:对局部信号的敏感性为了检验CNN是否能够识别空间局部化的性别相关信息,我们在所有三个解剖平面的切片5-65之间进行了仿真实验。立方区域([25:34]3)被特别修改以引入人为增强的信号,而所有其他切片保持不变。在原始数据集中,立方区域内的类间差异在统计上不显著(p = 0.771,能量距离测试(Rizzo和Székely,2016),表明内在对比度可以忽略不计。仿真后,同一区域显示出显著差异(p < 0.05),证实了操作成功注入了可检测的信号。与这一变化一致,图2显示了未修改和模拟切片之间的明显对比。对于未修改的切片(5-24和35-65),原始和模拟数据集的平均MCC曲线在所有三个解剖平面上紧密重叠,表明在操作区域之外模型性能没有明显变化。相比之下,在模拟的立方区域(切片25-34)内,信号注入后观察到明显的性能提升。在所有平面上,平均MCC急剧增加到1.00,且方差为零,而在相邻切片中没有观察到类似的变化。补充表S3中总结了完整的逐片MCC值,证实这种性能提升和方差崩溃严格限制在注入区域内。图2显示了信号仿真前后的逐片模型性能。原始(紫色)和仿真(绿色)条件下,轴向、冠状和矢状平面上切片5-65的平均MCC值。空心标记代表非立方切片,而实心标记表示注入了人工性别相关信号的在立方切片(25-34)。3.3 排列分析结果为了验证CNN模型学习的性别特定信号不是随机波动的结果,我们进行了一个排列实验,在保持所有其他条件不变的情况下随机打乱了性别标签。图3A显示了使用真实标签和排列标签训练的模型之间的MCC值比较。对于每个平面,正如预期的那样,使用真实标签训练的模型始终获得了显著更高的MCC值。相比之下,在排列标签下获得的MCC值在所有平面上都接近于零,表明当标签信息随机化时,模型的区分能力几乎完全丧失。图3进一步在logit水平上说明了这种对比。在原始标签条件下,男性和女性样本的模型logit分布明显分开,反映了有效的类别区分。然而,在排列标签条件下,两个类别的logit分布大部分重叠,表明模型在随机标签训练时未能区分这些类别。图3C为了评估使用真实标签和排列标签训练的模型之间的性能差异是否在所有解剖平面和置信阈值上一致观察到,我们对每个平面-阈值组合进行了双样本t检验,阈值定义见第2.4节。定量结果和相应的可视化在补充表S4和补充图S1中总结。所有比较都显示,使用真实标签训练的模型显著优于其排列标签的对应模型(p < 0.05)。3.4 基于置信度的阈值分析为了表征随着置信度阈值增加而分类性能和数据覆盖之间的权衡,我们进行了双阈值分析,只保留了概率低于下限或高于相应上限的预测(例如,≤0.05或≥0.95),从而排除了中等置信度的情况。如图4中的条形图所示,随着置信阈值变得更加严格,分类性能在所有解剖平面上单调增加。平均MCC值从宽松阈值下的大约0.5稳步上升到最严格设置下的0.8以上。在所有阈值下,冠状和矢状模型的MCC值始终略高于轴向模型。图4基于置信度的双阈值分析显示了性别分类性能和数据保留情况。平均Matthews相关系数(MCC;左y轴,条形图)和保留的测试样本比例(右y轴,虚线)作为双置信阈值的函数。对于每对阈值,只保留了后验概率低于下限或高于上限的预测。结果分别显示了轴向(青色)、冠状(橙色)和矢状(紫色)平面。相反,图4中的线图显示了随着置信阈值变得更加严格,保留样本的比例逐渐减少。三个解剖平面的保留曲线大部分重叠,表明各个视图之间的置信分布相当。值得注意的是,当阈值大约≤0.20或≥0.80时,下降变得更加明显,在最严格的标准下,只有非常少的测试样本(每个平面10-20%的测试样本)被保留。3.5 性别相关信号的空间定位为了定位显示性别特定差异的脑区,我们进行了逐步分析,从识别每个解剖平面内表现最好的切片开始,构建了一个候选的三维参考坐标。图5和补充表S5-S7总结了各个解剖平面上的逐片分类性能。对于每个采样切片,计算了平均MCC,以生成沿矢状、冠状和轴向方向的连续性能曲线。在所有三个平面上,外围切片的区分性能最小,向中心位置增加。图5显示了各个解剖平面上的逐片性别分类性能。对于每个平面(轴向、冠状和矢状),左侧显示了代表性的MRI切片以提供解剖学背景,右侧显示了相应的逐片分类指标。实线曲线表示重复实验中的平均MCC、准确率和精确度,阴影带表示±1标准差。垂直虚线标记了对应于显示的MRI切片的切片索引;红色垂直线表示平均MCC最高的最佳性能切片。在每个解剖平面中独立识别出平均MCC最高的切片,分别是矢状平面上的切片89(MCC:0.599 ± 0.012;精确度:0.779 ± 0.014;准确率:0.799 ± 0.006),冠状平面上的切片97(MCC:0.605 ± 0.026;精确度:0.769 ± 0.030;准确率:0.800 ± 0.014),以及轴向平面上的切片85(MCC:0.596 ± 0.015;精确度:0.790 ± 0.043;准确率:0.797 ± 0.009)。为了进一步定位空间区分区域,对三个表现最好的切片(图6A)进行了基于遮挡的归因分析。在识别候选区域时,排除了频率图的边缘区域,因为它们更可能反映颅骨或背景信号而不是真实的脑结构。根据这一标准,轴向平面(切片85)显示了切片上中部的高归因区域。图6对于三个表现最好的切片(轴向切片85、冠状切片97、矢状切片89)和一个独立的冠状验证切片(切片149)进行了基于遮挡的归因频率图。(A)在轴向平面中,青色虚线表示表现最好的矢状切片(切片89)的位置,黄色矩形勾勒出了候选三维ROI的投影(dim0 = 78–101,dim1 = 141–164,dim2 = 77–100)。(B)冠状切片149的基于遮挡的归因频率图,该切片位于候选ROI的冠状范围内(dim1 = 141–164)。青色虚线表示矢状切片89(垂直)和轴向切片85(水平)的位置,黄色矩形标记了投影的ROI边界(dim0 = 78–101,dim2 = 77–100)。为了在独立视图平面上验证这种定位,还对表现最好的矢状切片(切片89)和冠状切片149进行了基于遮挡的归因分析。值得注意的是,矢状切片89穿过了在轴向平面中识别的高归因区域,这意味着切片位置本身在空间上与候选区域相交,提供了来自正交视角的几何验证。同样,冠状切片149(图6B)——位于候选区域的冠状范围内——也显示出在相同空间坐标区域集中的高归因值,进一步强化了定位的准确性。基于这三个平面上的一致证据,定义了一个候选的三维ROI(24 × 24 × 24体素),其维度分别为dim0: 78–101, dim1: 141–164, dim2: 77–100。该区域在解剖学上对应于前扣带回皮层及其相邻的内侧结构,包括胼胝体膝部的一部分,如补充图S5中十个代表性受试者的可视化结果以及图6A、B中的归因图所示。为了验证候选ROI确实携带性别区分信号,我们在从候选ROI提取的24 × 24 × 24体素块上训练了一个3D CNN,并将其与位于低归因区域的相同大小的负对照区域进行了比较(dim0: 79–102, dim1: 54–77, dim2: 35–58;补充图S2)。候选ROI的分类性能显著高于负对照区域(MCC: 0.457 ± 0.019;准确率: 0.729 ± 0.009;精确度: 0.721 ± 0.016),这证实了所识别区域包含与性别分类相关的空间定位信息。

3.6 多切片分类
为了进一步评估不同平面上表现最佳的切片是否捕获了互补且高质量的区分信息,我们构建了一个基于多切片CNN的分类模型,将三个表现最佳的切片作为输入进行联合分类。该模型达到了0.719 ± 0.011的MCC、0.859 ± 0.007的准确率和0.856 ± 0.020的精确度,表明所提出的流程识别的切片保留了强大的区分信息。与单个平面模型相比(轴向:MCC = 0.596 ± 0.015;冠状:MCC = 0.605 ± 0.026;矢状:MCC = 0.599 ± 0.012),性能提升进一步表明跨平面的选定切片包含了互补信息。

3.7 MCC与基于遮挡的归因值和GradCAM值之间的相关性
将基于切片的MCC值与已建立的基于区域的区分度量(如基于遮挡的归因值和GradCAM值)进行比较是有趣的。为此,我们计算了每个切片的遮挡分数和GradCAM分数,并将它们与SliceMap计算出的MCC进行了比较。结果总结在补充图S6–S8中。这些结果显示,MCC和基于遮挡的归因值在所有三个解剖平面上都有很强的相关性(轴向:r = 0.59,冠状:r = 0.64,矢状:r = 0.58,所有p < 0.001)。MCC与GradCAM在冠状和矢状平面上的一致性很强(r = 0.65和r = 0.51,两者p < 0.001),但在轴向平面上则不那么明显(r = 0.15,p = 0.364)。此外,所有三个指标在三个平面上的曲线轮廓大致相似:MCC在切片间平滑变化,而遮挡和GradCAM分数则表现出更大的切片间波动。这种变化可能反映了每个指标所捕捉的信息的本质差异。MCC是基于整个图像计算的,因此整合了整个切片的全局区分信息。相比之下,本研究中的遮挡和GradCAM分数是作为每个受试者的最大激活值来总结的——仅保留最显著的局部区域——这使得它们对空间集中信号更为敏感,因此在切片间具有更大的变异性。

4 讨论
在这项研究中,我们提出了一种基于二维(2D)切片的流程,用于使用脑部MRI数据检测二分类任务中的区分性候选区域。该流程计算效率高,并且设计时考虑了广泛的适用性,当需要大规模或迭代分析时,它提供了全三维建模方法的一个实用替代方案。所提出的框架建立在特定平面的2D卷积神经网络之上,采用性别分类作为受控测试平台来演示和验证该流程。

4.1 检测区域的验证
所提出的流程识别的候选ROI位于预处理图像空间的矢状平面切片78–101、冠状平面切片141–164和轴向平面切片77–100内,解剖学上对应于前扣带回皮层(ACC)及其相邻的内侧结构,包括胼胝体膝部的一部分。该区域的识别遵循了两步过程,每一步都有不同的证据来源。第一步是根据性能指标MCC选择每个解剖平面上表现最佳的切片,提供了3D空间中的数据驱动坐标参考。模拟和排列实验支持了这一选择的可靠性。模拟实验表明,2D CNN对空间定位的区分信号敏感:当人工信号被注入已知立方体区域时,与该区域相交的切片上的MCC会选择性升高,证实高MCC反映了真实的空间信号。排列实验进一步确认,观察到的分类性能反映了学习到的生物结构,而不是虚假的相关性,因为在排列标签上训练的模型显示出比在真实标签上训练的模型显著较低的MCC。第二步,对每个表现最佳的切片应用了基于遮挡的归因分析。遮挡方法在方法上是透明的:通过系统地遮盖局部区域并测量模型输出的变化,可以直接量化每个空间位置的贡献,而不依赖于梯度近似或架构假设,使得生成的归因图易于解释。关键的是,为了进一步量化所识别区域的区分内容,我们在选定的24 × 24 × 24高归因候选ROI上训练了一个3D CNN,并将其与位于低归因区域的相同大小的负对照区域进行了比较。候选ROI的分类性能显著高于负对照区域(MCC: 0.457 ± 0.019;准确率: 0.729 ± 0.009;精确度: 0.721 ± 0.016),提供了定量证据,表明所识别区域包含与性别区分相关的空间定位信息。候选ROI的解剖位置也与先前关于ACC和胼胝体膝部性别差异的神经影像学文献一致。结构MRI研究一致报告女性在多个独立样本中的ACC体积比男性大。多项VBM研究发现女性前扣带回区域的灰质体积比男性大(Brun等人,2009年)。一项大规模的比较神经影像学研究进一步证实,人类和小鼠的前扣带回皮层在女性两侧都显著更大(Guma等人,2024年),这表明这种性别差异可能反映了保守的生物学模式。形态测量分析还发现了ACC总体形态上的性别差异,男性显示左侧ACC的不对称裂隙化更明显,而女性则表现出更大的半球对称性(Yücel等人,2001年)。此外,据报道女性右侧前扣带回回更常见(Pujol等人,2002年),这种结构差异与与伤害回避相关的性别特征有关。关于胼胝体膝部,先前的MRI研究在控制了脑体积后报告女性在中矢状面的胼胝体面积显著更大,其中膝部显示出最明显的性别相关差异(Shiino等人,2017年;Ardekani等人,2013年)。综合这些发现,支持了包括前扣带回皮层(ACC)及其相邻内侧结构在内的中线区域作为我们研究中可检测到的性别相关结构变异的生物学合理性。

4.2 脑组织覆盖率和切片区分能力
切片级的MCC曲线在所有三个解剖平面上显示出一致的模式:来自大脑中心区域的切片,由于包含更多的组织覆盖,往往具有更高的分类性能。这一观察表明,脑组织覆盖可能部分解释了切片级的区分能力,这可能是因为更多的组织提供了与分类任务相关的更丰富的结构特征表示。然而,仅组织覆盖并不能完全解释观察到的性能差异。为了区分组织数量和解剖内容的贡献,我们使用了表现最佳的轴向和冠状切片进行了对照比较(见补充部分SA)。每个最佳切片被分为左右半球两部分,组织覆盖面积大约减少了一半。尽管组织面积大幅减少,分类性能并没有成比例下降——两个半球部分保留了完整切片的大部分区分能力。此外,与具有相似甚至更高非零像素计数的外围切片相比,半球部分始终实现了更高的MCC(补充图S3,补充表S8)。这种两部分的分离——性能下降幅度小于组织面积,并且优于大小匹配的外围切片——表明所识别最佳切片的性能优势反映了解剖学上的特定区分内容,而不仅仅是组织数量。这些发现表明,MCC和归因分数是互补的,而不是冗余的:MCC表征了整体切片级别的预测效用,而遮挡和GradCAM分数突出了最强烈驱动模型预测的局部区域。

4.4 讨论
在这项研究中,我们提出了一种基于二维(2D)切片的流程,用于使用脑部MRI数据检测二分类任务中的区分性候选区域。该流程计算效率高,并且设计时考虑了广泛的适用性,当需要大规模或迭代分析时,它提供了一个实用的替代方案。所提出的框架建立在特定平面的2D卷积神经网络之上,采用性别分类作为受控测试平台来演示和验证该流程。

4.1 检测区域的验证
所提出的流程识别的候选ROI位于预处理图像空间的矢状平面切片78–101、冠状平面切片141–164和轴向平面切片77–100内,解剖学上对应于前扣带回皮层(ACC)及其相邻的内侧结构,包括胼胝体膝部的一部分。该区域的识别遵循了两步过程,每一步都有不同的证据来源。第一步是根据性能指标MCC选择每个解剖平面上表现最佳的切片,提供了3D空间中的数据驱动坐标参考。模拟和排列实验支持了这一选择的可靠性。模拟实验表明,2D CNN对空间定位的区分信号敏感:当人工信号被注入已知立方体区域时,与该区域相交的切片上的MCC会选择性升高,证实高MCC反映了真实的空间信号。排列实验进一步确认,观察到的分类性能反映了学习到的生物结构,而不是虚假的相关性,因为在排列标签上训练的模型显示出比在真实标签上训练的模型显著较低的MCC。第二步,对每个表现最佳的切片应用了基于遮挡的归因分析。遮挡方法在方法上是透明的:通过系统地遮盖局部区域并测量模型输出的变化,直接量化了每个空间位置的贡献,而不依赖于梯度近似或架构假设,使得生成的归因图易于解释。关键的是,为了进一步量化所识别区域的区分内容,在选定的24 × 24 × 24高归因候选ROI上训练了一个3D CNN,并将其与位于低归因区域的相同大小的负对照区域进行了比较。候选ROI的分类性能显著高于负对照区域(MCC: 0.457 ± 0.019;准确率: 0.729 ± 0.009;精确度: 0.721 ± 0.016),提供了定量证据,表明所识别区域包含与性别区分相关的空间定位信息。候选ROI的解剖位置也与先前关于ACC和胼胝体膝部性别差异的神经影像学文献一致。结构MRI研究一致报告女性在多个独立样本中的ACC体积比男性大。多项VBM研究发现女性前扣带回区域的灰质体积比男性大(Brun等人,2009年)。一项大规模的比较神经影像学研究进一步证实,人类和小鼠的前扣带回皮层在女性两侧都显著更大(Guma等人,2024年),这表明这种性别差异可能反映了保守的生物学模式。形态测量分析还发现了ACC总体形态上的性别差异,男性显示左侧ACC的不对称裂隙化更明显,而女性则表现出更大的半球对称性(Yücel等人,2001年)。此外,据报道女性右侧前扣带回回更常见(Pujol等人,2002年),这种结构差异与与伤害回避相关的性别特征有关。关于胼胝体膝部,先前的MRI研究在控制了脑体积后报告女性在中矢状面的胼胝体面积显著更大,其中膝部显示出最明显的性别相关差异(Shiino等人,2017年;Ardekani等人,2013年)。综上所述,这些发现支持了包括前扣带回皮层(ACC)及其相邻内侧结构在内的中线区域作为我们研究中可检测到的性别相关结构变异的生物学合理性。

4.2 脑组织覆盖率和切片区分能力
切片级的MCC曲线在所有三个解剖平面上显示出一致的模式:来自大脑中心区域的切片,由于包含更多的组织覆盖,往往具有更高的分类性能。这一观察表明,脑组织覆盖可能部分解释了切片级的区分能力,这可能是因为更多的组织提供了与分类任务相关的更丰富的结构特征表示。然而,仅组织覆盖并不能完全解释观察到的性能差异。为了区分组织数量和解剖内容的贡献,我们使用了表现最佳的轴向和冠状切片进行了对照比较(见补充部分SA)。每个最佳切片被分为左右半球两部分,组织覆盖面积大约减少了一半。尽管组织面积大幅减少,分类性能并没有成比例下降——两个半球部分保留了完整切片的大部分区分能力。此外,与具有相似甚至更高非零像素计数的外围切片相比,半球部分始终实现了更高的MCC(补充图S3,补充表S8)。这种两部分的分离——性能下降幅度小于组织面积,并且优于大小匹配的外围切片——表明所识别最佳切片的性能优势反映了解剖学上的特定区分内容,而不仅仅是组织数量。这些发现表明,所提出的流程选择的最佳切片捕获了超出组织丰度的解剖学特定区分内容。基于遮挡的归因图揭示了这些切片内的局部高归因区域,这指导了前扣带回及其周围内侧额叶区域候选ROI的识别。随后的3D CNN验证中,候选ROI的性能显著优于大小匹配的对照区域(第2.5节),提供了支持证据,表明所识别切片的性能优势是由空间集中的性别相关结构变异驱动的,而不仅仅是组织数量。

4.3 该流程对其他任务的适用性
所提出的流程旨在具有任务无关性,原则上可以应用于任何需要识别区分性候选区域的神经影像学二分类问题。核心组件——切片级CNN训练、性能引导的切片选择和基于遮挡的归因——不依赖于任何特定于性别分类的假设,并且可以直接适应其他感兴趣的二元对比。为了探究这种通用性,我们将该流程应用于区分阿尔茨海默病(AD)和认知正常(CN)受试者的任务,如补充部分SB中所述。在所有三个解剖平面上,分类性能都较为一般,某些切片上的重复运行显示出显著的高方差,表明模型未能学习到稳定和可靠的区分特征。我们将这归因于AD/CN数据集的几个复合因素。首先,因为ADNI中的研究组标签仅在基线访问时反映疾病状态,分析仅限于基线访问,大大减少了可用样本量,与性别分类任务相比。其次,通过受试者匹配控制混淆因素(如性别和年龄)进一步将可用数据限制为371对匹配对。第三,由于样本量有限,训练/验证/测试分割不能保证子集之间的类别分布可比,这可能会破坏模型学习并降低下游性能估计的可靠性。这些限制并不反映流程本身的根本限制,而是突出了对足够高质量数据的实际需求。我们预计,使用更大且更平衡的AD/CN数据集,该流程将产生更稳定的切片级性能并支持有意义的区域定位。

4.4 局限性和未来工作
本研究的几个局限性激发了未来的工作。首先,尽管基于置信度的阈值化显著提高了预测可靠性,但定位分析是在没有明确基于预测置信度的情况下进行的。未来的研究可以结合置信度感知的定位策略,以评估将分析限制在高置信度样本是否会产生更一致或更集中的空间模式。其次,在AD/CN应用中观察到的适度性能突显了样本大小在所提出流程中的关键作用。由于在限制为基线访问并控制混淆因素后只有371对匹配对,模型显示出不稳定的学习和高跨运行方差。未来的工作可以通过跨多个神经影像学数据库聚合数据来构建更大的队列来解决这个问题。或者,利用现有相关分类任务上的预训练模型权重并在目标数据集上进行微调,可能为数据有限的疾病分类设置提供改进性能的实用策略。第三,结合所有三个解剖平面上表现最佳的切片的多视图融合模型实现了显著更高的分类性能,表明互补的区分信息分布在不同的解剖视图中。在当前的流程中,每个平面都独立地根据单平面的MCC(Mean Classification Confidence)选择了一个切片,而没有优化平面之间的联合判别性能。一个自然的扩展方法是系统地枚举平面间候选切片的组合,并选择能够最大化融合模型性能的组合,然后对结果模型应用基于遮挡的属性分配——这可能会比应用于独立选择的单平面模型的属性分配提供更可靠的空间定位基础。第四,几乎所有平面中观察到的MCC与属性分数之间的中等到强相关性(补充图S6–S8)表明,基于MCC的切片选择可以作为基于属性定位的合理替代方法,支持其作为原则性和计算效率高的标准。然而,具有最高MCC的切片并不一定与具有最高基于遮挡或GradCAM属性分数的切片一致,这表明这两个标准捕捉了部分不同的判别信息方面。未来的工作可以探讨直接使用基于属性的分数作为切片选择标准是否能够产生更具有空间聚焦性和生物学可解释性的候选区域。最后,尽管所提出的2D流程在计算上高效,但与完全三维方法的系统比较仍然是一个重要的未解决的问题。在本研究中,由于样本量的限制,主要采用了Dropout(比率=0.5)作为正则化策略来减轻过拟合。然而,将流程扩展到使用相同数据集的3D体积架构将引入更大的参数复杂性,而这样的模型是否能够在不发生严重过拟合的情况下稳定训练仍然是一个未解决的问题。先前的研究表明,随着队列规模的增加,3D CNN的性能会持续提升(Ebel等人,2023年),这表明体积建模的好处可能只有在更大的数据集下才能完全实现。未来的研究可以通过整合多个神经影像学项目的数据来增加样本量和人口多样性,这不仅能够实现更稳定的3D模型训练,还有可能提高信号定位的空间精度。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号