CGDM-GAN:一个对抗性的网络方法与自我监督的学习,以消除现场效应
概括
我们开发了CGDM-GAN,这是一种新的方法,可以在不同站点协调神经成像数据. 这种方法有效地减少了特定站点的偏差,改善了跨站点分类性能,并增强了模型的概括性.
科学领域:
- 神经成像是一种神经成像.
- 医疗数据分析 医学数据分析
- 人工智能的人工智能
背景情况:
- 由于采集协议和扫描仪的变化,多站点成像数据带来了挑战.
- 在神经成像研究中,特定站点的偏见可能会阻碍数据聚合和模型概括.
- 现有的数据协调方法通常在特定任务上表现不满意.
研究的目的:
- 引入一种新的方法,CGDM-GAN,用于协调不同站点的神经成像数据.
- 为了减轻特定站点的偏差,同时保持内在的图像属性.
- 为了提高神经成像中的跨站点分类性能.
主要方法:
- 提出了CGDM-GAN,结合了生成模型,最大差异理论和梯度差异最小化.
- 综合自主监督学习以提高协调能力.
- 在合成,内部和ABCD数据集上验证了该方法.
主要成果:
- 在神经成像数据中,CGDM-GAN成功地协调了位点效应.
- 与ComBat,CycleGAN和MCD-GAN相比,该方法显示出更高的性能.
- 使用拟议的方法观察到改善了跨站点分类的准确性.
结论:
- 在神经成像中,CGDM-GAN是消除部位效应的一个有前途的方法.
- 该方法通过实现有效的数据聚合来增强模型的概括性.
- CGDM-GAN为改善跨站点神经成像分类任务提供了一个潜在的解决方案.
