通过仿射自监督学习从fMRI中学习稳健且任务无关的功能表示
机器学习
2026-05-29 v1
摘要
功能磁共振成像(fMRI)是调查人脑功能的强大工具。然而，由于数据获取成本高昂且精神评估量表内在主观，导致针对特定神经病理条件的数据集样本量小且标签质量不稳定，尤其是当目标明确时。结合fMRI数据的高维特性，这些限制显著增加了模型过拟合的风险。近年来，越来越多地关注通过组合多个数据集来开发fMRI基础模型，但预训练和微调所需的计算资源常常令人望而却步。我们展示，轻型自监督框架可获得在 diverse 下游任务上通用的表示，超越完全监督的基线，接近大规模模型的性能。我们引入BrainSimSiam，一个数据高效的自监督表示学习框架，通过仅使用正样本对来学习稳健且可泛化的特征。我们证明，所学表示在多个下游分类和回归任务上实现强性能，凸显了BrainSimSiam在数据受限神经影像应用中的潜力。
引用
@article{arxiv.2605.28990,
title = {Learning Robust and Task-Invariant Functional Representation from fMRI through Siamese Self-Supervised Learning},
author = {Jiyao Wang and Peiyu Duan and Nicha C. Dvornek and Lawrence H. Staib and Denis Sukhodolsky and Pamela Ventola and James S. Duncan},
journal= {arXiv preprint arXiv:2605.28990},
year = {2026}
}