FM-fMRI：基于事件条件流匹配的静息态到任务 fMRI 时间序列合成
机器学习
2026-05-27 v1 图像与视频处理
摘要
基于任务的 fMRI 提供了任务诱导神经动力学的直接读取，但规模获取昂贵且困难，动因静息态 fMRI（rsfMRI）从广泛可用的静息态 fMRI 进行任务合成。我们提出 FM-fMRI，一种事件条件流匹配模型，学习连续时间条件向量场，从受试者的 rsfMRI 和任务事件信息生成任务 ROI 时间序列。该表述使快速基于 ODE 的抽样和对异构事件时间表的灵活条件化成为可能。与优化逐点重建不同，我们评估了生成信号的准则，探索了时间和频谱结构、受试者和群体水平的连接谱一致性以及分布对齐。 在公开的人类大脑连接计划和内部 BioPoint 自闭症队列上，FM-fMRI 在谱和连接一致性方面优于条件扩散、生成对抗网络（GANs）和变分自编码器（VAEs）基线。此外，我们通过该方法合成任务-fMRI ROI 时间序列，提高了下游自闭症分类，展示了在数据受限临床环境中的实际实用性。代码将在 GitHub 上公开。
引用
@article{arxiv.2605.26423,
title = {FM-fMRI: Event Conditioned Flow Matching for Rest-to-Task fMRI Time-Series Synthesis},
author = {Peiyu Duan and Jiyao Wang and Nicha C. Dvornek and Junlin Yang and Ziqi Gao and Lawrence H. Staib and James S. Duncan},
journal= {arXiv preprint arXiv:2605.26423},
year = {2026}
}
备注
MICCAI 2026 Early Accepted