向着零射击任务的方向 - - 在FMRI上进行普遍化的学习.

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:

• 使用血氧水平依赖 (BOLD) 信号的功能性MRI (fMRI) 对于理解大脑功能和疾病至关重要.
• 与静止状态fMRI相比,基于任务的fMRI提供了更丰富的,特定于任务的神经活动数据.
• 聚合各种基于任务的fMRI数据集用于可概括模型是具有挑战性的,因为不同的实验设计.

研究的目的:

• 为了解决聚合各种基于任务的fMRI数据的困难.
• 提出一个新的监督网络,TA-GAT,用于从基于任务的fMRI学习可概括的大脑模式.
• 为了使特定任务的先前知识能够整合到fMRI分析中.

主要方法:

• 开发了一个监督任务意识网络 (TA-GAT).
• TA-GAT共同学习一个通用编码器和特定任务的上下文信息.
• 将编码器嵌入与下游任务的上下文信息相结合.

主要成果:

• 拟议的TA-GAT架构促进了fMRI任务预先知识的整合.
• 网络学习通用嵌入和特定任务的上下文信息.
• 这种方法提高了捕捉功能性大脑模式的能力.

结论:

• TA-GAT提供了一个灵活的,可插入和使用的解决方案,用于改进基于任务的fMRI分析.
• 该方法提高了在各种fMRI数据集上训练的模型的概括性.
• 这项工作推动了机器学习在神经成像中的应用,用于研究大脑疾病.