用于 fMRI 学习的联合判别与生成式循环神经网络
图像与视频处理
2019-10-16 v1 机器学习
神经元与认知
应用统计
机器学习
摘要
循环神经网络(RNNs)专为处理时间序列数据而设计,近来已被用于从功能磁共振成像(fMRI)数据创建预测模型。然而,收集大规模 fMRI 数据集用于学习是一项困难任务。此外,网络可解释性尚不清楚。为解决这些问题,我们利用多任务学习并设计了一种新颖的基于 RNN 的模型,该模型在学习区分类别的同时学习生成 fMRI 时间序列数据。采用长短期记忆(LSTM)结构,我们基于隐藏状态开发了判别模型,并基于细胞状态开发了生成模型。生成模型的加入约束网络去学习由 LSTM 节点表示的功能群落,这些群落既与数据生成一致,又有助于分类任务。我们将我们的方法应用于使用来自自闭症脑成像数据交换的多个数据集对自闭症患者与健康对照进行分类。实验表明,我们的联合判别与生成模型改善了分类学习,同时产生了鲁棒且有意义的功能群落以更好地理解模型。
引用
@article{arxiv.1910.06950,
title = {Jointly Discriminative and Generative Recurrent Neural Networks for Learning from fMRI},
author = {Nicha C. Dvornek and Xiaoxiao Li and Juntang Zhuang and James S. Duncan},
journal= {arXiv preprint arXiv:1910.06950},
year = {2019}
}
备注
10th International Workshop on Machine Learning in Medical Imaging (MLMI 2019)