大腦功能性影像合成在神經退行性疾​​病中的應用

神經影像在醫學臨床以及研究界興起，加上機器學習(machine learning)的技術逐漸進步，促進計算機輔助診斷(Computer Aided Diagnosis, CAD)的發展應用在許多不同的疾病與病徵。例如：阿茲海默症的結構以及病理影像、帕金森氏症。但是現今不同的CAD演算法，在進行病徵判定學習時，因為所使用的樣本數量較少，導致在評估這些不同的系統時會引起一系列的問題，而且錯誤發現率(False Discovery Rate, FDR)極高。

在進行不同的CAD的直接比較時，其中的一個解決方法是增加輸入的樣本數據，不過這些大量數據的取得往往需要主要研究人員或其團隊的認可，以及各地區掃描設備的技術水平不同，可能會導致神經影像的錯誤診斷(false positives)比率上升。另外一個解決方法是合成數據圖像，合成圖像具有該數據如何生成的所有訊息，以及合成數據可以透過變形、分析合成增加數據量，有助於深度學習(deep learning)並加速預測模型建立。

        西班牙格拉納達大學Francisco J. Martinez-Murcia等人的研究團隊，與阿爾茨海默病神經影像學Initiative (ADNI)、帕金森病進展標記計劃（PPMI）兩大數據資料庫合作，再利用主成分分析（Principal components analysis , PCA）用於建立一個共同的參考或基礎，以生成新的具有功能性的大腦圖像，可以更有效的預測真實狀態的樣本，可以模擬與判定疾病相關的功能，從而可以提高演算法的泛化能力(generalization ability, 機器學習中對新樣本的適應性)。

機器學習的技術逐漸進步，合成圖像提供了機器學習訓練中樣本數與特徵性不足的問題，合成圖像也期望應用在未來專業人員的臨床培訓或標準化自動評估程序。

撰稿:李堅百

原始論文:
Martinez-Murcia, F.J., et al., Functional Brain Imaging Synthesis Based on Image Decomposition and Kernel Modeling: Application to Neurodegenerative Diseases. Frontiers in Neuroinformatics, 2017. 11(65).
https://www.frontiersin.org/articles/10.3389/fninf.2017.00065/full?utm_source=F-NTF&utm_medium=EMLX&utm_campaign=PRD_FEOPS_20170000_ARTICLE