功能性大脑网络识别和fMRI增强使用VAE-GAN框架
Ning Qiang1, Jie Gao2, Qinglin Dong3
1School of Physics and Information Technology, Shaanxi Normal University, Xi'an, China; Center for Brain and Brain-Inspired Computing Research, Department of Computer Science, Northwestern Polytechnical University, Xi'an, China.
Computers in biology and medicine
|September 5, 2023
概括
这项研究引入了VAE-GAN框架,以使用功能磁共振成像 (fMRI) 数据改进功能大脑网络分析. VAE-GAN有效地增加了fMRI数据,减少了过度匹配,并增强了大脑网络建模和ADHD分类.
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:
- 深度学习模型擅长从fMRI数据绘制功能性大脑网络.
- 高维度和fMRI中的有限数据导致了深度学习模型的过度拟合.
- fMRI数据增强技术尚未得到充分探索.
研究的目的:
- 开发一种用于功能性脑网络识别和fMRI数据增强的新型框架.
- 解决fMRI分析的深度学习模型中的过度匹配问题.
- 为了提高大脑网络建模和分类任务的性能.
主要方法:
- 开发了一个变量自动编码器生成对抗网络 (VAE-GAN) 框架.
- 利用VAE来建模fMRI数据分布,用于通用特征提取.
- 采用GAN的区分器来提高生成的fMRI数据的质量.
主要成果:
- VAE-GAN框架有效地模拟了fMRI数据分布,减少了过度拟合.
- 生成的fMRI数据质量超过了标准VAE和GAN方法的质量.
- 在识别HCP数据集上的时间特征和功能性大脑网络方面表现出卓越的性能.
结论:
- VAE-GAN框架为fMRI数据增强和脑网络分析提供了有效的解决方案.
- 生成的fMRI数据改善了ADHD-200数据集上的大脑网络建模和ADHD分类准确性.
- 拟议的VAE-GAN框架克服了fMRI数据建模中VAE和GAN的局限性.


