SFC-GAN：用于脑功能与结构连接态转换的生成对抗网络
计算机视觉与模式识别
2025-01-14 v1 机器学习
摘要
现代脑成像技术使得对人脑连接组进行细致重建成为可能，分别从扩散 MRI 中获取结构连接 (SC) 和功能 MRI 中获取功能连接 (FC)。深入了解 SC 与 FC 之间的复杂关系对于洞察脑的功能与组织机制至关重要。然而，同时获取 SC 和 FC 两种模态仍具有挑战性，阻碍了全面的分析。现有的深度生成模型通常只聚焦于合成单一模态或在 FC 和 SC 之间进行单向转换，忽略了在仅获取一种连接组时实现双向转换的潜在益处。因此，我们提出了结构-功能连接生成对抗网络 (SFC-GAN)，一种用于 SC 与 FC 之间双向转换的新型框架。该方法利用 CycleGAN 架构，集成卷积层有效捕获脑连接组的空间结构。为保持这些连接组的拓扑完整性，我们采用结构保持损失，引导模型捕获全局和局部连接模式，同时保持对称性。我们的框架在 SC 与 FC 之间的转换中表现出优越性能，相较于基线模型在相似性和图属性评估方面优于地面真实数据，每个转换后的模态均可有效用于下游分类。
引用
@article{arxiv.2501.07055,
title = {SFC-GAN: A Generative Adversarial Network for Brain Functional and Structural Connectome Translation},
author = {Yee-Fan Tan and Jun Lin Liow and Pei-Sze Tan and Fuad Noman and Raphael C. -W. Phan and Hernando Ombao and Chee-Ming Ting},
journal= {arXiv preprint arXiv:2501.07055},
year = {2025}
}
备注
5 pages, 2 figures