自动编码器和受限制的博尔茨曼机器用于功能磁共振成像任务分类中的转移学习.
Jundong Hwang1, Niv Lustig1, Minyoung Jung1
1Department of Brain and Cognitive Engineering, Korea University, Seoul, South Korea.
Heliyon
|July 31, 2023
概括
使用深度神经网络 (DNN) 的转移学习可以改善功能磁共振成像 (fMRI) 的分类. 限制波兹曼机器 (RBM) 预训练为fMRI数据分析提供了卓越的性能和效率.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 计算神经科学是一种神经科学.
背景情况:
- 深度神经网络 (DNN) 越来越多地用于对功能磁共振成像 (fMRI) 数据进行分类.
- 转移学习对于提高DNN性能和减轻过度拟合至关重要,特别是在有限的fMRI样本中.
研究的目的:
- 系统地比较自动编码器 (AE) 和受限制的博尔茨曼机器 (RBM) 用于使用静止状态fMRI (rfMRI) 数据进行无监督的DNN预训练.
- 在基于任务的fMRI (tfMRI) 数据上对DNN分类器的两个转移学习方案 (权重定位和微调) 进行评估,这些数据来自人类结合体项目 (HCP).
主要方法:
- 使用AE和RBM对rfMRI数据进行DNN的无监督预训.
- 实施两种转移学习策略:固定和微调预训练的权重.
- 转移学习DNN与基线DNN的比较,在tfMRI分类任务上训练有随机初始权重.
主要成果:
- 转移学习的表现普遍优于基线DNN,固定RBM权重 (14.8%的误差) 和微调AE权重 (15.1%的误差) 显示出优异的表现.
- 在不同的HCP任务条件下,最佳的转移学习策略有所不同.
- 与微调相比,固定重量转移学习显著降低了计算负载.
结论:
- 使用基于RBM的预训练重量进行体重初始化是全脑fMRI任务分类的一个有希望的方法.
- 拟议的基于AE/RBM的预培训方案可以提高各种fMRI任务的分类性能和计算效率.
