• Вход в личный кабинет
  • Регистрация
Забыли свой пароль?
Русский English

Том 18, номер 3 (2026)

стр. 14
Влияние схем предобработки данных функциональной магнитно-резонансной томографии на точность классификации шизофрении с применением методов машинного обучения
Влияние схем предобработки данных функциональной магнитно-резонансной томографии на точность классификации шизофрении с применением методов машинного обучения

А.А. Пойда, В.А. Орлов, А.Д. Жемчужников, С.О. Козлов, С.И. Карташов, Л.В. Бравве, М.А. Кайдан, Г.П. Костюк

Ключевые слова: классификация шизофрении; предобработка данных; фМРТ; методы машинного обучения.

2026, Том 18, номер 3, стр. 14
DOI: https://doi.org/10.17691/stm2026.18.3.02
Полный текст статьи: HTML PDF
174
87
  • Аннотация
  • Список литературы
  • Как цитировать в References

Цель исследования — анализ влияния различных процедур подготовки сырых данных функциональной магнитно-резонансной томографии (фМРТ) на точность классификации испытуемых на больных шизофренией и группу контроля с использованием методов машинного обучения, а также формирование рекомендаций по оптимизации схемы предобработки данных для этой задачи.

Материалы и методы. В исследовании используются данные фМРТ 72 испытуемых, полученные на МР-томографе Siemens Magnetom Verio 3 Tл (Siemens Healthineers, Германия) на базе Национального исследовательского центра «Курчатовский институт». Для каждого набора выполняется несколько вариантов предобработки в соответствии с множеством проверяемых схем предобработки данных. В работе исследованы 7 различных схем предобработки. Из каждого набора предобработанных данных формируются вектора признаков для классификации. Мы применяли 3 алгоритма формирования векторов признаков: ReHo, FCM, FHR. Для каждого набора признаков и каждой схемы предобработки проводится классификация с использованием 15 алгоритмов машинного обучения из пакета scikit-learn. Итоговая точность определяется как максимальная точность среди всех методов машинного обучения.

Результаты. Показано, что нет единой оптимальной схемы для всех алгоритмов формирования векторов признаков. Для воксельных метрик ReHo и FHR сглаживание увеличивает точность, в то время как для региональной метрики FCM сглаживание не дает положительных эффектов. Для метода FHR из всех шагов предобработки только пространственное сглаживание влияет на точность классификации. Набор признаков FHR без сглаживания демонстрирует точность, близкую к случайной. Шаги частотной фильтрации и нормализации медианы обеспечивают существенный прирост точности для методов ReHo и FCM, причем как в варианте со сглаживанием, так и без него. Шаги коррекции неоднородности и временнóго смещения не дают прироста точности для набора FCM, однако позволяют повысить ее на несколько процентов для набора ReHo. Применение ICA-фильтрации изменяет точность в пределах 5% как в положительную, так и в отрицательную сторону.

Заключение. На основании полученных результатов можно сформулировать рекомендации по схеме предобработки данных фМРТ для бинарной классификации испытуемых на больных шизофренией и группу контроля с использованием методов машинного обучения и с учетом алгоритма формирования векторов признаков. Для метрики ReHo лучше подходит схема, включающая коррекцию движения, нормализацию, коррекцию неоднородности, коррекцию временнóго смещения, частотную фильтрацию, нормализацию медианы и пространственное сглаживание. Для метрики FCM — схема, включающая коррекцию движения, нормализацию, коррекцию неоднородности, коррекцию временнóго смещения, частотную фильтрацию и нормализацию медианы. Для метрики FHR главное — сделать пространственное сглаживание. Шаг ICA-фильтрации не дает однозначного результата, поэтому его следует применять с осторожностью.

  1. Vergara V.M., Mayer A.R., Damaraju E., Hutchison K., Calhoun V.D. The effect of preprocessing pipelines in subject classification and detection of abnormal resting state functional network connectivity using group ICA. Neuroimage 2017; 145(Pt B): 365–376, https://doi.org/10.1016/j.neuroimage.2016.03.038.

  2. González-Vivas C., García-Martí G., Soldevila-Matías P., Sanz-Requena R., Aguilar E.J., Castro-Bleda M.J., Martí-Bonmatí L., Sanjuan J. First-episode psychotic patients showed longitudinal brain changes using fMRI with an emotional auditory paradigm. Front Psychiatry 2020; 11: 593042, https://doi.org/10.3389/fpsyt.2020.593042.

  3. Guggenmos M., Schmack K., Veer I.M., Lett T., Sekutowicz M., Sebold M., Garbusow M., Sommer C., Wittchen H.U., Zimmermann U.S., Smolka M.N., Walter H., Heinz A., Sterzer P. A multimodal neuroimaging classifier for alcohol dependence. Sci Rep 2020; 10(1): 298, https://doi.org/10.1038/s41598-019-56923-9.

  4. Al-Zubaidi A., Mertins A., Heldmann M., Jauch-Chara K., Münte T.F. Machine learning based classification of resting-state fMRI features exemplified by metabolic state (hunger/satiety). Front Hum Neurosci 2019; 13: 164, https://doi.org/10.3389/fnhum.2019.00164.

  5. Moghimi P., Lim K.O., Netoff T.I. Data driven classification using fMRI network measures: application to schizophrenia. Front Neuroinform 2018; 12: 71, https://doi.org/10.3389/fninf.2018.00071.

  6. Zhu W., Wang Z., Yu M., Zhang X., Zhang Z. Using support vector machine to explore the difference of function connection between deficit and non-deficit schizophrenia based on gray matter volume. Front Neurosci 2023; 17: 1132607, https://doi.org/10.3389/fnins.2023.1132607.

  7. Salvador R., Canales-Rodríguez E., Guerrero-Pedraza A., Sarró S., Tordesillas-Gutiérrez D., Maristany T., Crespo-Facorro B., McKenna P., Pomarol-Clotet E. Multimodal integration of brain images for MRI-based diagnosis in schizophrenia. Front Neurosci 2019; 13: 1203, https://doi.org/10.3389/fnins.2019.01203.

  8. Gargouri F., Kallel F., Delphine S., Ben Hamida A., Lehéricy S., Valabregue R. The influence of preprocessing steps on graph theory measures derived from resting state fMRI. Front Comput Neurosci 2018; 12: 8, https://doi.org/10.3389/fncom.2018.00008.

  9. Candemir C. Spatial smoothing effect on group-level functional connectivity during resting and task-based fMRI. Sensors (Basel) 2023; 23(13): 5866, https://doi.org/10.3390/s23135866.

  10. Sotero R.C., Sanchez-Bornot J.M., Shaharabi-Farahani I., Iturria-Medina Y. Examining the impact of fMRI preprocessing steps on machine learning-based classification of autism spectrum disorder. In: 2023 the 7th International Conference on Medical and Health Informatics (ICMHI). New York; 2023; p. 19–24, https://doi.org/10.1145/3608298.3608302.

  11. Triana A.M., Glerean E., Saramäki J., Korhonen O. Effects of spatial smoothing on group-level differences in functional brain networks. Netw Neurosci 2020; 4(3): 556–574, https://doi.org/10.1162/netn_a_00132.

  12. Zalesky A., Fornito A., Bullmore E.T. Network-based statistic: identifying differences in brain networks. Neuroimage 2010; 53(4): 1197–1207, https://doi.org/10.1016/j.neuroimage.2010.06.041.

  13. Borchardt V., Lord A.R., Li M., van der Meer J., Heinze H.J., Bogerts B., Breakspear M., Walter M. Preprocessing strategy influences graph-based exploration of altered functional networks in major depression. Hum Brain Mapp 2016; 37(4): 1422–1442, https://doi.org/10.1002/hbm.23111.

  14. Zang Y., Jiang T., Lu Y., He Y., Tian L. Regional homogeneity approach to fMRI data analysis. Neuroimage 2004; 22(1): 394–400, https://doi.org/10.1016/j.neuroimage.2003.12.030.

  15. Blinowska K.J. Review of the methods of determination of directed connectivity from multichannel data. Med Biol Eng Comput 2011; 49(5): 521–529, https://doi.org/10.1007/s11517-011-0739-x.

  16. Kozlov S., Poyda A., Orlov V., Sharaev M., Ushakov V. Selection of functionally homogeneous human brain regions for functional connectomes building based on fMRI data. In: Velichkovsky B.M., Balaban P.M., Ushakov V.L. (editors). Advances in Cognitive Research, Artificial Intelligence and Neuroinformatics. Intercognsci 2020. Advances in Intelligent Systems and Computing, vol 1358. Springer, Cham; 2021, https://doi.org/10.1007/978-3-030-71637-0_82.

  17. Strother S.C. Evaluating fMRI preprocessing pipelines. IEEE Eng Med Biol Mag 2006; 25(2): 27–41, https://doi.org/10.1109/memb.2006.1607667.

  18. Eklund A., Dufort P., Villani M., Laconte S. BROCCOLI: software for fast fMRI analysis on many-core CPUs and GPUs. Front Neuroinform 2014; 8: 24, https://doi.org/10.3389/fninf.2014.00024.

  19. Ashburner J., Barnes G., Chen C.-C., Daunizeau J., Flandin G., Friston K., Gitelman D., Glauche V., Henson R., Hutton C., Jafarian A., Kiebel S., Kilner J., Litvak V., Mattout J., Moran R., Penny W., Phillips C., Razi A., Stephan K., Tak S., Tyrer A., Zeidman P. SPM12 manual. URL: https://www.fil.ion.ucl.ac.uk/spm/doc/spm12_manual.pdf.

  20. Friston K.J., Williams S., Howard R., Frackowiak R.S., Turner R. Movement-related effects in fMRI time-series. Magn Reson Med 1996; 35(3): 346–355. https://doi.org/10.1002/mrm.1910350312.

  21. Frost M.A., Goebel R. Measuring structural-functional correspondence: spatial variability of specialised brain regions after macro-anatomical alignment. Neuroimage 2012; 59(2): 1369–1381, https://doi.org/10.1016/j.neuroimage.2011.08.035.

  22. Whitfield-Gabrieli S., Nieto-Castanon A. CONN: a functional connectivity toolbox for correlated and anticorrelated brain networks. Brain Connect 2012; 2(3): 125–141, https://doi.org/10.1089/brain.2012.0073.

  23. Togo H., Rokicki J., Yoshinaga K., Hisatsune T., Matsuda H., Haga N., Hanakawa T. Effects of field-map distortion correction on resting state functional connectivity MRI. Front Neurosci 2017; 11: 656, https://doi.org/10.3389/fnins.2017.00656.

  24. Beckmann C.F., Smith S.M. Probabilistic independent component analysis for functional magnetic resonance imaging. IEEE Trans Med Imaging 2004; 23(2): 137–152, https://doi.org/10.1109/TMI.2003.822821.

  25. Xu K., Liu Y., Zhan Y., Ren J., Jiang T. BRANT: a versatile and extendable resting-state fMRI toolkit. Front Neuroinform 2018; 12: 52, https://doi.org/10.3389/fninf.2018.00052.

  26. Козлов С.О. Картирование функциональной активности головного мозга человека с учетом уровня синхронизации вокселей по данным фМРТ. Дисс. ... канд. физ.-мат. наук. М; 2025; 129 с.

  27. GitHub, Inc. KozlovStanislav/CCM-FOR. Korrelyatsionno-klasternye metody vydeleniya funktsional'no-odnorodnykh regionov golovnogo mozga [Selection of functionally homogeneous brain regions based on correlation-clustering analysis]. URL: https://github.com/KozlovStanislav/CCM-FOR.

  28. Жемчужников А.Д., Карташов С.И., Козлов С.О., Орлов В.А., Пойда А.А., Захарова Н.В., Бравве Л.В., Мамедова Г.Ш., Кайдан М.А. Поиск наиболее информативных регионов для бинарной классификации шизофрении по данным фМРТ состояния покоя на основе метода выделения функционально однородных регионов. Журнал высшей нервной деятельности им. И.П. Павлова 2024; 74(4): 412-425, https://doi.org/10.31857/S0044467724040035.

  29. Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D., Brucher M., Perrot M., Duchesnay É. Scikit-learn: machine learning in Python. Journal of Machine Learning Research 2011; 12: 2825–2830.

  30. Arlot S., Celisse A. A survey of cross-validation procedures for model selection. Statistics Surveys 2010; 4, https://doi.org/10.1214/09-ss054.

  31. Cai X.L., Xie D.J., Madsen K.H., Wang Y.M., Bögemann S.A., Cheung E.F.C., Møller A., Chan R.C.K. Generalizability of machine learning for classification of schizophrenia based on resting-state functional MRI data. Hum Brain Mapp 2020; 41(1): 172–184, https://doi.org/10.1002/hbm.24797.

Poyda A.A., Orlov V.A., Zhemchuzhnikov A.D., Kozlov S.O., Kartashov S.I., Bravve L.V., Kaydan M.A., Kostyuk G.P. Influence of functional magnetic resonance imaging data preprocessing pipelines on the accuracy of schizophrenia classification using machine learning methods. Sovremennye tehnologii v medicine 2026; 18(3): 14, https://doi.org/10.17691/stm2026.18.3.02