VAE深度学习模型具有域调整,转移学习和协调,用于从多站点神经成像数据的诊断分类.

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:

• 多站点fMRI数据集表现出变异性 (样本,采集,扫描器),掩盖了神经信号.
• 这种变化阻碍了神经发育条件的准确机器学习分类.
• 域调整通过对准源域和目标域之间的数据分布提供了一个解决方案.

研究的目的:

• 为了证明域调整对多站点fMRI数据分析的实用性.
• 开发和评估VAE-MMD深度学习模型,用于分类自闭症,阿斯伯格综合征和对照.
• 将域调整性能与统计协调技术进行比较.

主要方法:

• 开发了一个变化自编码器-最大平均差异 (VAE-MMD) 深度学习模型.
• 使用ABIDE-I作为源域和ABIDE-II作为分类的目标域.
• 通过将源域增强为来自 HBN 和 AOMIC 数据集的数据,内置转移学习.

主要成果:

• 从ABIDE-I到ABIDE-II的域名调整显著提高了ABIDE-II的分类准确性.
• 通过额外的健康对照数据转移学习进一步提高了分类性能.
• VAE-MMD实现了与ComBat相似的性能,TL提高了超越统计方法的准确性.

结论:

• 域调整对于改善多站点fMRI数据的诊断分类是有效的.
• 使用多样化的健康对照数据转移学习可以提高模型的稳定性和准确性.
• 公共可用的数据集和模型鼓励进一步研究神经成像AI.