引用本文

冀俊忠, 刘金铎, 邹爱笑, 杨翠翠. 一种融合多源信息的脑效应连接网络蚁群学习算法.自动化学报, 2021, 47(4): 864-881 doi: 10.16383/j.aas.c180680

Ji Jun-Zhong, Liu Jin-Duo, Zou Ai-Xiao, Yang Cui-Cui. An ant colony optimization algorithm merged with multiple source information for learning brain effective connectivity networks. Acta Automatica Sinica, 2021, 47(4): 864-881 doi: 10.16383/j.aas.c180680

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180680

关键词

脑效应连接网络，蚁群算法，多源信息融合，搜索空间压缩，启发函数修正 

摘要

脑效应连接(Effective connectivity, EC)网络是人脑连接组研究中一项重要的研究课题, 识别脑效应连接网络已成为评价正常脑功能及其与神经退化疾病相关损伤的一种有效手段. 针对从功能性磁共振成像数据中进行脑效应连接网络的学习问题, 提出了一种将多源信息与蚁群优化过程相融合的学习方法. 新方法首先利用弥散张量成像数据获取感兴趣区域的结构约束信息, 并利用正相关的皮尔森信息来压缩蚁群搜索的空间, 以避免蚁群的许多不必要的搜索; 然后在蚁群随机搜索中通过将体素联合激活信息融合于启发函数中, 以增强蚂蚁搜索的目的性, 改进算法的优化效率. 实验结果验证了所提策略的有效性, 与最新的同类算法相比, 新算法在保持较快收敛速度的前提下, 具有更好的求解质量.

文章导读

作为脑科学研究中的一种重要方法, 神经影像学通过神经影像技术以图像的方式来揭示脑的解剖结构与功能, 为了解大脑的工作机制提供了强有力的技术手段. 脑效应连接(Effective connectivity, EC) 网络是一种由节点和有向边构成的图模型, 其中节点表示脑区, 有向边刻画了脑区间神经活动的因果效应, 而边的连接参数则表示其连接强度. 由于脑效应连接网络的识别是评价正常脑功能及其与神经退化疾病(阿尔茨海默病、帕金森、癫痫等)相关损伤的有效手段, 所以成为目前人脑连接组[1]研究中的一项重要课题. 更具体地, 从磁共振数据中准确学习脑效应连接网络, 对于了解人脑网络中脑区间的因果效应连接, 理解脑疾病的发病机理, 进行脑疾病的早期诊断以及病理的研究具有重要的意义[2-7].

近年来, 利用人脑功能磁共振成像(Functional magnetic resonance imaging, fMRI)数据, 进行基于评分搜索的贝叶斯网(Bayesian network, BN)结构学习已经成为有效识别脑效应连接网络的重要方法, 但该类方法目前存在搜索到的网络结构易陷入局部最优、连接方向的识别准确性低的缺陷, 这不仅无法满足人类脑科学全面探究的实际需求, 而且也成为制约该类方法发展和应用的技术瓶颈. 2016年, 文献[8]提出了一种使用蚁群优化来进行EC网络的学习算法ACO-EC, 算法利用蚁群优化的随机搜索能够在有限时间内获得全局的满意解, 基本解决了结构连接及其方向的识别准确性低的问题. 但是, 该算法仍存在运行时间较长、识别准确性有待进一步提高的不足. 而近年来相关研究的发展, 尤其是多模态研究的兴起为该算法的发展和进步提供了有益的启迪.

基于此, 本文提出一种将多源信息与蚁群优化过程相融合的学习算法(Ant colony optimization algorithm merged with multiple source information for learning brain effective connectivity network, ACOMM-EC). 新算法的主要创新是: 利用蚁群算法这种群体智能优化机制容易结合多源信息和知识的优势, 首次将从弥散张量成像(Diffusion tensor imaging, DTI)数据中获得的结构像知识、fMRI数据中得到的体素激活信息合理地结合到脑效应连接网络的蚁群学习过程, 从而实现了基于多源信息融合的可行解搜索空间的压缩、蚁群随机搜索模型等关键过程, 为更准确、更快速、更有效地进行EC网络结构的学习提供了一种新思路. 具体地说, 新算法首先利用结构与功能的制约关系, 将从DTI数据中获取的皮尔森正相关作为结构约束知识来压缩搜索空间, 既有效地避免了蚁群的一些不必要搜索, 又保证了最优解的所有组件(弧)都能成为蚂蚁选择的候选弧, 故有望在保证解质量的同时提升搜索效率, 加速算法的收敛; 其次, 通过在启发函数中融合基于fMRI数据的体素激活信息, 增强了蚂蚁寻优的目的性, 旨在保持随机机制搜索多样性的前提下不仅提高蚁群优化的效率, 而且获得更满意的解. 在合成数据集上的大量实验验证了上述策略的有效性, 而且与典型及最新的一些元启发式的随机搜索算法相比, 新算法在保持较快收敛速度的前提下, 能够得到更高质量的网络结构.

图 1  脑效应连接网络与相应候选解的对应关系

图 2  ACOMM-EC算法学习脑效应连接网络的流程图

图 3  带有4个节点的初始候选连接图的变化事例

针对脑效应连接网络的学习问题, 本文提出了一种将多源信息与蚁群优化过程相融合的学习算法. 新算法首先利用DTI数据获取感兴趣区域的结构约束信息, 并利用结构约束信息来压缩蚁群搜索的空间, 以避免蚁群的一些不必要搜索; 然后提出一种融合体素联合激活信息的启发函数, 以增强蚂蚁搜索的目的性, 改进算法的优化效率. 在仿真数据集上的实验结果验证了所提策略在求解质量、速度方面的有效性. 与其他几种算法相比, 新算法在大多数情况下都具有更好的求解性能, 尤其是在高噪声、大规模脑区的情况下具有更加突出的优势. 而在真实数据集上的实验结果也验证了新算法能够发现一些探究脑神经退化疾病病理的客观证据. 下一步我们将继续深入探索其他多源、多模态信息的挖掘和融合方法, 以更好地提升脑效应连接网络的学习质量, 为脑疾病的前期检测与临床诊断提供更多的技术帮助.

作者简介

刘金铎

北京工业大学信息学部博士研究生. 2013年获得北京工业大学计算机应用技术专业学士学位. 2018年和2019年分别于纽约州立大学布法罗分校、弗吉尼亚大学做访问学者. 主要研究方向为数据挖掘, 生物信息学, 脑科学. E-mail: jinduo@bjut.edu.cn

邹爱笑

北京工业大学信息学部博士研究生. 2017年获得北方工业大学工学硕士学位. 主要研究方向为机器学习, 计算智能, 脑科学.E-mail: zouaixiao@emails.bjut.edu.cn

杨翠翠

北京工业大学讲师. 2017年获得北京工业大学计算机应用技术专业博士学位. 主要研究方向为机器学习, 计算智能, 生物信息学, 脑科学.E-mail: yangcc@bjut.edu.cn

冀俊忠

北京工业大学教授.2004年获得北京工业大学计算机应用技术专业博 士学位,2005年和2010年分别于挪威科技大学、纽约州立大学布法罗分校做访问学者.主要研究方向为机器学习,计算 智能, 生物信息学, 脑科学. 本文通信作者.E-mail: jjz01@bjut.edu.cn