在非IID多域场景中,以元数据驱动的连接大脑模板的联合学习
IEEE transactions on medical imaging
|November 10, 2025
概括
MetaFedCBT解决了用于大脑连接的联合学习中的数据异质性. 这种新的框架通过预测缺少的数据来改进整体的大脑模板构建,增强多域分析.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 联合学习可以在多个数据领域 (例如医院) 进行连接大脑模板 (CBT) 的协作估计,同时保持数据隐私.
- 现有的联合CBT方法与多域大脑连接数据的非独立和相同分布 (非IID) 性质作斗争,导致性能不足最佳.
- 这种数据异质性,或非IID问题,限制了学习CBTs的准确性和概括性.
研究的目的:
- 开发一种新的联合学习框架,MetaFedCBT,旨在克服在多域连接性大脑模板学习中的非IID挑战.
- 通过有效地处理不同数据源中大脑连接的异质性来增强联合CBT的表示能力.
- 为了使隐私保护的整体CBT学习通过元数据驱动的产生大脑连接的隐藏领域的隐私保护.
主要方法:
- 提出了一种元数据驱动的联合学习框架 (MetaFedCBT),其中包含了元数据回归器和局部-全球网络剩余权重.
- 开发了一种元数据驱动的连接生成器,以基于学习的元数据来预测未见域的脑连接.
- 实施了对预测的元数据和大脑连接的代更新机制,以便在联合学习过程中逐渐接近未见的领域.
主要成果:
- MetaFedCBT通过产生信息大脑连接来有效地解决非IID问题,这对于保护隐私的整体CBT学习至关重要.
- 在多视图形态大脑网络上的实验证明了MetaFedCBT在现有的联合CBT学习模型上的优势.
- 拟议的框架显著提升了多域CBT估计的最先进性能.
结论:
- 在非IID数据的存在下,MetaFedCBT为联合连接性大脑模板学习提供了一个强大的解决方案.
- 以元数据为导向的方法提高了从分散数据中获得的整体脑表征的准确性和实用性.
- 这项工作推动了神经成像分析领域的发展,通过在各种数据集中实现更有效和保护隐私的协作学习.
