GATE：用于标签高效fMRI分析的时序自监督图典型相关分析
机器学习
2022-11-29 v3 图像与视频处理
摘要
本工作中，我们关注一项具有挑战性的任务——利用功能磁共振成像（fMRI）进行神经疾病分类。在基于群体图的疾病分析中，图卷积神经网络（GCNs）已取得显著成功。然而，这些成就离不开大量标注数据，且对伪信号敏感。为在标签高效设定下改进fMRI表征学习与分类，我们提出了一种新颖且理论驱动的GCN自监督学习（SSL）框架，即用于fMRI分析的时序自监督图典型相关分析GATE。具体而言，设计合适且有效的SSL策略以提取fMRI的信息性与鲁棒特征颇具需求。为此，我们从fMRI动态功能连接（FC）出发探究了若干新的图增强策略用于SSL训练。进一步，我们对不同时间嵌入利用典型相关分析（CCA）并给出理论含义。由此，产生了一种新颖的两步GCN学习流程，包括（i）在无标签fMRI群体图上的SSL与（ii）在小型有标签fMRI数据集上微调以完成分类任务。我们的方法在两个独立fMRI数据集上进行了测试，在自闭症与痴呆症诊断中展现出优越性能。
引用
@article{arxiv.2203.09034,
title = {GATE: Graph CCA for Temporal SElf-supervised Learning for Label-efficient fMRI Analysis},
author = {Liang Peng and Nan Wang and Jie Xu and Xiaofeng Zhu and Xiaoxiao Li},
journal= {arXiv preprint arXiv:2203.09034},
year = {2022}
}