基于条件独立成分分析的功能磁共振成像数据增强

计算认知神经影像研究的进展与大量标注脑影像数据的可用性相关，但此类数据稀缺且生成成本高。尽管过去十年中为计算机视觉设计了生成对抗网络（GANs）等强大的数据生成机制，但这些进展尚未迁移到脑影像领域。一个可能的原因是，GANs 的训练不适用于功能神经影像中可用的噪声大、高维且小样本的数据。在本文中，我们提出条件独立成分分析（Conditional ICA）：一种快速的功能磁共振成像（fMRI）数据增强技术，它利用丰富的静息态数据，通过从 ICA 分解中采样来创建图像。随后我们提出一种机制，使生成器能以少量样本观测到的类别为条件。我们首先表明该生成机制能成功合成与观测无法区分的数据，并在脑解码问题中带来分类准确率的提升。特别是，它在性能上优于 GANs，同时更易于优化和解释。最后，Conditional ICA 在八个数据集上提升了分类准确率，且无需进一步调参。