用于全脑 fMRI 分析的深度迁移学习
图像与视频处理
2019-07-04 v1 机器学习
机器学习
摘要
将深度学习（DL）模型应用于从全脑功能磁共振成像（fMRI）数据解码认知状态，常受限于此类数据集的小样本量和高维度。尤其在临床环境中，患者数据稀缺。本工作中，我们证明迁移学习是此问题的一种解决方案。特别地，我们展示一个先前在 Human Connectome Project 大型公开 fMRI 数据集上训练过的 DL 模型，在应用于一项新的、无关 fMRI 任务的数据时，优于架构相同但从头训练的模型变体。更进一步，当仅在仅三个被试规模的数据集上微调时，该预训练 DL 模型变体已能正确解码来自 100 个个体测试数据集的 67.51% 的认知状态。
引用
@article{arxiv.1907.01953,
title = {Deep Transfer Learning For Whole-Brain fMRI Analyses},
author = {Armin W. Thomas and Klaus-Robert Müller and Wojciech Samek},
journal= {arXiv preprint arXiv:1907.01953},
year = {2019}
}
备注
8 pages, 3 figures