Aprendizaje por transferencia de imágenes naturales 2D a imágenes cerebrales 4D de fMRI mediante mapeo geométrico

Área de la Ciencia:

• Neuroimagen
• Aprendizaje automático
• Visión por computadora

Sus antecedentes:

• La imagen por resonancia magnética funcional (fMRI) es crucial para los estudios de actividad cerebral, pero el aprendizaje profundo se ve limitado por los pequeños conjuntos de datos.
• Los métodos de aprendizaje por transferencia existentes no son adecuados para datos de fMRI 4D debido a su heterogeneidad con las imágenes naturales 2D.

Objetivo del estudio:

• Desarrollar un novedoso método de aprendizaje por transferencia basado en mapeo geométrico para datos de fMRI.
• Cerrar la brecha entre los modelos de imágenes naturales 2D y el análisis de datos de fMRI 4D.
• Mejorar el rendimiento de los modelos de aprendizaje profundo en tareas de análisis de fMRI.

Principales métodos:

• Se propuso un módulo de agregación de características multiescala y multidominio (MMFA) para extraer características y reducir la dimensionalidad de fMRI.
• Se utilizó el mapeo geométrico de superficies para transformar la corteza cerebral 3D en espacio 2D, preservando las relaciones topológicas.
• Se realizaron cálculos a lo largo de la variedad riemanniana del cerebro para mitigar la interferencia de la señal.

Principales resultados:

• Se logró un rendimiento de última generación en la clasificación de sexo, la estimación de edad y la predicción conductual utilizando el conjunto de datos del Proyecto Conectoma Humano (HCP).
• Se demostró la efectividad de un enfoque de aprendizaje por transferencia en cascada para el diagnóstico de depresión en 23 conjuntos de datos.
• Se validó la capacidad del método propuesto para transferir el aprendizaje de imágenes naturales a datos de fMRI.

Conclusiones:

• El método propuesto de aprendizaje por transferencia basado en mapeo geométrico adapta eficazmente los modelos de imágenes naturales 2D a datos de fMRI 4D.
• Este enfoque mejora significativamente el rendimiento en diversas tareas de análisis de fMRI al aprovechar las características estructurales del cerebro.
• El método ofrece una solución prometedora para superar la escasez de datos en aplicaciones de aprendizaje profundo de fMRI.