2D自然画像から4D fMRI脳画像への幾何学的マッピングによる転移学習

科学分野:

• 神経画像法
• 機械学習
• コンピュータビジョン

背景:

• 機能的磁気共鳴画像法（fMRI）は脳活動研究に不可欠ですが、深層学習はデータセットが小さいという制限があります。
• 既存の転移学習方法は、2D自然画像との異質性のため、4D fMRIデータには適していません。

研究 の 目的:

• fMRIデータのための新しい幾何学的マッピングベースの転移学習方法を開発すること。
• 2D自然画像モデルと4D fMRIデータ分析の間のギャップを埋めること。
• fMRI分析タスクにおける深層学習モデルのパフォーマンスを向上させること。

主な方法:

• 特徴を抽出しfMRIの次元数を削減するために、マルチスケールマルチドメイン特徴集約（MMFA）モジュールを提案しました。
• 表面幾何学的マッピングを使用して、位相的関係を維持しながら3D大脳皮質を2D空間に変換しました。
• 信号干渉を軽減するために、脳のリーマン多様体に沿って計算を実行しました。

主要な成果:

• ヒトコネクトームプロジェクト（HCP）データセットを使用して、性別分類、年齢推定、行動予測において最先端のパフォーマンスを達成しました。
• うつ病診断におけるカスケード転移学習アプローチの有効性を23のデータセットで実証しました。
• 自然画像からfMRIデータへの学習を転移させる提案手法の能力を検証しました。

結論:

• 提案された幾何学的マッピングベースの転移学習方法は、2D自然画像から4D fMRIデータへのモデルを効果的に適応させます。
• このアプローチは、脳の構造的特性を活用することにより、さまざまなfMRI分析タスクのパフォーマンスを大幅に向上させます。
• この方法は、fMRI深層学習アプリケーションにおけるデータ不足を克服するための有望なソリューションを提供します。