面向功能磁共振成像的解剖学知情数据增强及其在深度学习中的应用
机器学习
2019-10-21 v1 图像与视频处理
神经元与认知
应用统计
机器学习
摘要
将深度学习应用于从功能神经影像数据构建准确预测模型常受限于数据集规模有限。尽管数据增强可帮助缓解此类训练障碍，但多数数据增强方法是为计算机视觉任务（如 CIFAR）中的自然图像开发的，而非针对医学图像。本工作通过提出一种生成具有真实脑形态的功能磁共振图像（fMRI）的方法来填补这一空白。该方法在一个具有挑战性的任务上进行了测试：从治疗前任务态 fMRI 预测抗抑郁治疗反应，并显示使用增强图像预测反应性能提升了 26%。该提升优于自然图像最先进增强方法。通过消融测试，还表明在超参数优化前应用增强可实质性提升性能。这些结果表明了最优操作顺序，并支持了数据增强方法在利用 fMRI 的任务中改善预测性能的作用。
引用
@article{arxiv.1910.08112,
title = {Anatomically-Informed Data Augmentation for functional MRI with Applications to Deep Learning},
author = {Kevin P. Nguyen and Cherise Chin Fatt and Alex Treacher and Cooper Mellema and Madhukar H. Trivedi and Albert Montillo},
journal= {arXiv preprint arXiv:1910.08112},
year = {2019}
}
备注
SPIE Medical Imaging 2020