在基于任务的fMRI中学习顺序信息,用于合成数据增强
Jiyao Wang1, Nicha C Dvornek1,2, Lawrence H Staib1,2
1Biomedical Engineering, Yale University, New Haven, CT 06511, USA.
Machine learning in clinical neuroimaging : 6th international workshop, MLCN 2023, held in conjunction with MICCAI 2023, Vancouver, BC, Canada, October 8, 2023, proceedings. MLCN (Workshop) (6th : 2023 : Vancouver, B.C.)
|September 16, 2024
概括
生成合成功能磁共振成像 (fMRI) 数据解决了医学图像分析方面的培训局限性. 这种方法有效地扩大了诸如自闭症谱系障碍分类等任务的数据集.
科学领域:
- 医学图像分析 医学图像分析
- 神经成像是一种神经成像.
- 机器学习 机器学习
背景情况:
- 培训数据的稀缺性是医学图像分析的一个主要挑战,特别是基于任务的功能磁共振成像 (fMRI).
- 基于任务的fMRI数据,以认知任务的时空动态为特征,需要广泛的数据集来进行强大的模型训练.
- 现有的数据集往往不足以开发准确的诊断或分析工具.
研究的目的:
- 开发一种用于生成合成,高分辨率,特定任务的fMRI序列的新方法.
- 使用生成的合成fMRI数据创建下游机器学习任务的增强训练数据集.
- 为了评估合成fMRI数据增强对特定临床应用的有效性.
主要方法:
- 适应α-Generative Adversarial Network (α-GAN) 架构,结合了GAN和变异自动编码器的优势.
- 在合成fMRI生成过程中,实施用于汇总时间信息的新策略.
- 通过视觉检查和对自闭症谱系障碍 (ASD) 分类任务的绩效评估对合成fMRI数据的评估.
主要成果:
- 提出的方法成功地产生了高分辨率,特定任务的合成fMRI序列.
- 可视化证实了生成的时空fMRI数据的质量和现实性.
- 合成fMRI数据在增强自闭症分类培训数据集方面表现出显著的有效性,改善了学习成果.
结论:
- 开发的合成fMRI生成方法有效地克服了医学图像分析中的训练数据限制.
- α-GAN适应提供了一个强大的工具,用于创建现实的和特定任务的神经成像数据.
- 合成fMRI数据增强显示了提高机器学习模型在ASD诊断等临床应用中的性能.
