Обнаружение скачкообразных смещений головы в сеансе функциональной МРТ на основе машинного обучения

Abstract

Обнаружение артефактов в данных функциональной МРТ (фМРТ) это актуальная проблема для исследовательских и клинических приложений. Движение головы пациента является одним из основных источников артефактов в фМРТ данных, а также остаточные артефакты в обработанных фМРТ данных остаются взаимосвязанными с антропоморфическими, поведенческими и клиническими факторами. Точная характеризация артефактов движения головы остается неисследованной. В настоящей работе предлагается алгоритм обнаружения скачкообразных изменений положения головы в сеансе фМРТ на основе классификаторов k-ближайших соседей и метода опорных векторов (SVM). Использованы данные движения головы шести человек в виде наборов из шести стандартных параметров движения, полученных при помощи алгоритма корегистрации фМРТ данных. Разработан программный модуль полуавтоматической разметки обучающей выборки для поиска искомых аномалий. При разметке используется статистический метод обнаружения искомых аномалий на основе скользящего окна, часть скачкообразных артефактов размечается вручную. Далее, размеченная выборка используется для обучения и проверки классификаторов. Предложенный метод идентификации скачкообразных артефактов на базе классификатора k-ближайших соседей показал высокую точность детектирования и мог бы использоваться для определения артефактов заданного типа, вызванных движением головы в фМРТ данных. Accurate artifacts detection in functional magnetic resonance imaging (fMRI) data is important in clinical applications and research. Subjects head movement remains the major source of fMRI artifacts, and retained head motion in the pre-processed fMRI data could also predict anthropomorphic, behavioral and clinical factors. However, an accurate characterization of subject head motion artifacts is lacking. We searched for step-like displacements of the subject’s head in fMRI head motion data using k-nearest neighborhood classification and support vector machine (SVM). Head motion data of six subjects were defined using conventional six head motion parameters as produced by fMRI realignment procedure. We created semi-automatic markup tool for preparing training head motion data-set for classification. The semi-automatic markup was done using the sliding- window statistical anomaly detection and manual mark up of a few characteristic step-like artifacts. Marked up training data set was used to train the k-nearest neighborhood and SVM classifiers and to classify the step-like head displacements. Our approach based on k- nearest neighborhood classification showed the high accuracy in detection of step-like head displacements, which could be used for an accurate detection of specific fMRI artifacts associated with head motions.