一种利用 fMRI 数据中功能连接的生成式自监督框架
机器学习
2023-12-05 v1 计算机视觉与模式识别
图像与视频处理
神经元与认知
摘要
基于从功能磁共振成像（fMRI）数据中提取的功能连接（FC）网络训练的深度神经网络，由于数据可用性的增加和模型架构（包括图神经网络（GNN））的进步而变得流行。最近关于 GNN 应用于 FC 的研究表明，利用 FC 的时变特性可以显著提高模型预测的准确性和可解释性。然而，获取高质量 fMRI 数据及相应表型标签的高成本阻碍了它们在现实环境中的应用，使得以监督方式简单训练的模型在少量数据上可能表现不佳或缺乏泛化能力。此外，迄今为止大多数针对 GNN 的自监督学习（SSL）方法采用对比策略，当图结构受到扰动时，这往往会丢失适当的语义信息，或者不能同时利用空间和时间信息。鉴于这些挑战，我们提出了一种生成式 SSL 方法，旨在有效利用动态 FC 内的时空信息。我们在大规模（>50,000）fMRI 数据集上进行的实证结果表明，我们的方法学习到了有价值的表征，并在针对下游任务进行微调时能够构建准确且鲁棒的模型。
引用
@article{arxiv.2312.01994,
title = {A Generative Self-Supervised Framework using Functional Connectivity in fMRI Data},
author = {Jungwon Choi and Seongho Keum and EungGu Yun and Byung-Hoon Kim and Juho Lee},
journal= {arXiv preprint arXiv:2312.01994},
year = {2023}
}
备注
NeurIPS 2023 Temporal Graph Learning Workshop