基于增强的无监督跨域功能磁共振成像自适应用于重度抑郁症识别
图像与视频处理
2024-06-10 v2 机器学习
神经元与认知
摘要
重度抑郁症（MDD）是一种常见的精神障碍，通常影响人的情绪、认知、行为和身体健康。静息态功能磁共振成像（rs-fMRI）数据广泛用于MDD的计算机辅助诊断。虽然多站点fMRI数据可以为训练可靠的诊断模型提供更多数据，但显著的跨站点数据异质性会导致模型泛化能力差。许多域自适应方法旨在一定程度上减少站点间的分布差异，但通常忽略了模型在源域上的过拟合问题。直观上，目标数据增强可以通过迫使模型学习更通用的特征并减少对源域数据的依赖来缓解过拟合问题。在这项工作中，我们提出了一种新的基于增强的无监督跨域fMRI自适应（AUFA）框架用于MDD的自动诊断。AUFA包括：1）图表示学习模块，用于提取具有空间注意力的rs-fMRI特征；2）域自适应模块，用于源数据和目标数据之间的特征对齐；3）基于增强的自优化模块，用于缓解模型在源域上的过拟合；4）分类模块。在1089名受试者上的实验结果表明，AUFA在MDD识别中优于几种最先进的方法。我们的方法不仅减少了不同站点之间的数据异质性，还定位了与疾病相关的功能连接异常，并为模型提供了可解释性。
引用
@article{arxiv.2406.00085,
title = {Augmentation-based Unsupervised Cross-Domain Functional MRI Adaptation for Major Depressive Disorder Identification},
author = {Yunling Ma and Chaojun Zhang and Xiaochuan Wang and Qianqian Wang and Liang Cao and Limei Zhang and Mingxia Liu},
journal= {arXiv preprint arXiv:2406.00085},
year = {2024}
}