《中國人工智能學會通訊》——11.66 結構屬性表示及其在腦影像分析中的應用

傳統屬性表示方法主要集中在視覺屬性、部件屬性和相似屬性。由于現實問題的複雜性和多樣性，現有的屬性表示方法無法對具有明顯結構資訊的圖像進行有效表達。例如，在腦影像分析領域，人們經常利用磁共振成像（MRI ，Magnetic ResonanceImaging）技術顯示不同結構的解剖和病理斷面圖像，進而直覺地研究腦結構及其變化。由于這些MR 圖像具有明顯的結構特性，能在一定程度上反映被試者大腦的病理變化，是以對于腦疾病診斷具有重要意義。然而，現有的屬性表示方法無法對這些具有明顯結構資訊的圖像進行有效描述。同時，在腦影像分析領域，目前僅有少量基于屬性學習的研究工作，而這些工作一般利用人工定義的語義屬性來描述圖像，沒有充分利用腦影像中存在的豐富的結構資訊。受自然圖像中屬性定義方法的啟發，本文首先提出了針對腦影像的結構屬性概念，并設計了一種利用聚類算法從資料中自動确定結構屬性的方法；同時，搭建了一個通用的基于結構屬性的腦影像分類架構。具體地，首先利用本文提出的多結構屬性表示方法實作對腦影像的特征表達，并提出一種關系誘導的稀疏特征選擇算法，最後采用基于多結構屬性的內建分類方法進行腦影像分類。進一步地，将所提方法應用于阿爾茨海默病的自動分類和早期診斷，并通過在标準資料集上的分類實驗驗證了所提方法的有效性。

本文圍繞屬性學習中的若幹重要問題進行了探索，發展出了一系列新的屬性學習研究方法，并通過在标準資料集上的實驗驗證了所提方法的有效性。然而，由于實際問題的複雜性，本文所提出的方法仍面臨許多挑戰。下面，簡單列舉屬性學習中有待進一步研究的問題，并提出相應的解決思路。

（1）屬性表示可以看作低層特征和高層類别标号之間的中間層特征，是以定義屬性的過程可以了解為一種特征表示學習。與深度學習相似，這種特征表示學習通過抽取或凝練出不同的中間層特征來表征對象複雜的外觀變化。盡管通過深度學習方法獲得的特征通常不具備傳統屬性所具備的語義解釋性，然而我們仍可以借鑒深度學習的方法來定義判别性屬性，以解決人工定義屬性所帶來的成本昂貴的問題。

（2）傳統的屬性學習模型中，屬性之間共享所有的低層特征。然而，由于屬性之間存在某種内在關系，這種關系在一定程度上會影響不同屬性對低層特征的依賴。例如，“會飛”和“翅膀”兩個屬性之間存在正相關關系，是以它們可能共享某些低層特征；而“金屬的”和“塑膠的”兩種屬性存在負相關關系，是以它們可能會排他性地利用某些低層特征。利用這種先驗知識，可以設計一類兼顧共享性和排他性的屬性特征選擇模型。

（3）為了應對屬性學習中的類别不平衡問題，除了采用本文提出的代價敏感學習方法外，還可以考慮從資料層面提出不同的解決方案。例如，可以通過一定的預處理過程把分布不均勻的訓練資料調整為正負例樣本均勻分布的資料，進而減小類别分布不平衡對學習過程帶來的負面影響。

（4）不同屬性一般具有不同的判别性能，如果不加選擇地簡單使用所有屬性，會降低學習模型的學習性能，同時增加不必要的計算負擔。但是，現有的研究中缺乏對屬性本身判别性能的考慮。設計有效的屬性選擇方法有望解決該問題。

（5）類似于人臉識别中采用的屬性（如“年齡”和“性别”），腦影像分析中被試者的年齡、性别和受教育年限等資訊可以作為屬性表示。此外，腦疾病診斷過程中經常産生一些度量腦認知狀态的臨床變量值，例如診斷阿爾茲海默病診斷過程中産生的簡短精神狀态量表（mini-mental stateexamination, MMSE）得分等。這些臨床變量值定量反映了被試者的腦認知狀态，而腦認知狀态是由被試者内在的病理結構（即腦結構和功能變化）所決定的。從這個意義上說，這些臨床變量值和腦影像從不同層面反映出被試者的病理結構，是以與腦疾病相關的臨床變量值可以作為腦影像的屬性表示，有望進一步提高腦影像分析方法的性能。