基于合成的 fMRI 数据增强
计算机视觉与模式识别
2019-07-16 v1 机器学习
图像与视频处理
摘要
我们提出了一种基于合成的 fMRI 数据增强的实证评估。在合成方面，我们使用在真实神经影像数据上训练的生成模型来生成新颖的任务依赖型功能脑图像。所分析的产生式模型包括经典方法如高斯混合模型（Gaussian mixture model, GMM），以及现代隐式生成模型如生成对抗网络（generative adversarial network, GAN）和变分自编码器（variational auto-encoder, VAE）。特别地，所提出的 GAN 和 VAE 模型利用三维卷积，从而能够对具有结构化空间相关性的高维脑图像张量进行建模。随后将合成数据集用于增强旨在预测认知与行为结果的分类器。我们的结果表明，所提出的模型能够生成高质量、多样化且任务依赖的合成脑图像。或许最重要的是，通过合成进行数据增强所带来的性能提升被证明与预测模型的选择互补。因此，我们的结果表明，通过合成进行数据增强是解决 fMRI 数据有限可用性并提升预测性 fMRI 模型质量的一种有前景的方法。
引用
@article{arxiv.1907.06134,
title = {FMRI data augmentation via synthesis},
author = {Peiye Zhuang and Alexander G. Schwing and Sanmi Koyejo},
journal= {arXiv preprint arXiv:1907.06134},
year = {2019}
}