fMRI-Diffusion：通过时间Transformer扩散模型生成fMRI时间序列用于重度抑郁症诊断
计算机视觉与模式识别
2026-05-26 v1
摘要
使用功能连接分析从功能磁共振成像诊断重度抑郁症需要大量标记数据，而这些数据在临床环境中是稀缺的。现有的增强方法合成功能连接矩阵，这些矩阵将fMRI记录压缩为静态的成对摘要，并丢弃了时间信息。我们提出了fMRI-Diffusion，一个合成感兴趣区域级fMRI时间序列而非功能连接矩阵的框架。一个时间Transformer作为去噪扩散概率模型中的去噪网络，将每个时间点视为一个标记，通过自注意力捕获时间依赖性。一个监督预训练策略在扩散训练之前用任务相关表示初始化Transformer，并从合成的时间序列中导出功能连接矩阵用于分类。在REST-meta-MDD数据集上的实验表明，用合成时间序列增强训练数据能够一致地提高十个分类器、六个分区图谱和三个采集站点的诊断准确性。该方法优于五种最新的基于功能连接矩阵的合成方法，准确率比最强基线高出最多3.7个百分点。消融研究证实了基于Transformer的去噪器和预训练策略的贡献。在所有条件下，分布保真度指标均低于0.06，表明真实分布与合成分布之间高度一致。这些发现表明，在功能连接计算之前合成fMRI时间序列保留了在矩阵级增强中丢失的时间信息，并为有限数据下的重度抑郁症诊断提供了一种实用策略。
引用
@article{arxiv.2605.24065,
title = {fMRI-Diffusion: Generating fMRI Time Series Via a Temporal Transformer Diffusion Model for Major Depressive Disorder Diagnosis},
author = {Muhammad Asif Hasan and Yanming Zhu and Xuefei Yin and Alan Wee-Chung Liew},
journal= {arXiv preprint arXiv:2605.24065},
year = {2026}
}