DreaMR：面向功能磁共振成像的扩散驱动反事实解释

深度学习分析在从全脑功能磁共振成像（fMRI）测量中检测认知状态方面实现了灵敏度的飞跃。然而，由于深度模型对其输入进行分层非线性变换，解释脑响应与认知状态之间的关联具有挑战性。在深度 fMRI 分类器的常见解释方法中，归因方法特异性差，扰动方法合理性有限。尽管反事实生成有望解决这些局限，但先前方法使用变分或对抗先验，导致样本保真度次优。在此，我们引入首个扩散驱动反事实方法 DreaMR，以高特异性、合理性和保真度实现 fMRI 解释。DreaMR 对输入 fMRI 样本执行基于扩散的重采样以改变下游分类器的决策，然后计算原始样本与反事实样本之间的最小差异用于解释。与常规扩散方法不同，DreaMR 利用新颖的分数阶多相蒸馏扩散先验，在不牺牲保真度的前提下提高采样效率，并采用 transformer 架构以考虑 fMRI 扫描中的长程时空上下文。在神经影像数据集上的综合实验表明，DreaMR 在样本生成方面相对于最先进的 fMRI 解释反事实方法具有更优的特异性、保真度和效率。