最大分类器差异生成对抗网络,共同协调扫描效果,提高下游任务的可重复性

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 生物标志物发现发现

背景情况:

• 多部位MRI研究面临的挑战是,扫描仪特定的变化会影响可重现性.
• 现有的协调方法往往无法改善下游任务性能.

研究的目的:

• 引入一个新的多扫描仪协调框架,MCD-GAN,用于删除扫描仪效应.
• 为了保存下游分析任务至关重要的生物信息.

主要方法:

• 提出了最大分类器差异生成对抗网络 (MCD-GAN).
• 利用对抗性的生成网络来保持样本的结构完整性.
• 包含一个最大分类器差异模块来调节使用下游任务的GAN.

主要成果:

• 与ComBat和CycleGAN相比,MCD-GAN在模拟和真实数据 (ABCD数据集) 上表现出更好的性能.
• 该框架有效地提高了跨扫描仪分类的准确性.
• MCD-GAN保留了原始MRI图像的解剖布局.

结论:

• MCD-GAN是第一个将下游任务整合到协调过程中的生成模型.
• 这种方法为提高MRI研究的跨站点可复制性提供了一个有希望的解决方案.
• 为分类和回归等任务提供可重现的生物标志物发现.