SpaRG：用于通用化fMRI分析的稀疏重建图
计算机视觉与模式识别
2024-10-11 v1 机器学习
摘要
深度学习有助于揭示休息状态功能性磁共振成像 (rs-fMRI) 与精神疾病和个人特征相关的模式。然而，在fMRI分析中解释深度学习发现的情况极少，因为数据对扫描效应敏感且本质上难以可视化。我们提出一种简单方法来缓解这些挑战，基于稀疏化和自监督。与其提取后验特征归因来揭示对目标任务重要的功能连接，不如在训练期间识别一小部分高度信息性连接的子集，并遮蔽其余部分。为此，我们联合训练 (1) 稀疏输入掩码、(2) 变分自编码器 (VAE) 和 (3) 下游分类器。虽然需要一部分标记样本来训练分类器，但我们使用来自其他获取站点的无标记数据优化稀疏掩码和 VAE，仅保留那些在跨域中表现良好的输入特征。我们评估了我们的方法 - 稀疏重建图 (SpaRG) - 在公共 ABIDE 数据集上，用于性别分类任务，使用来自 18 个站点的标记案例进行训练，并适应来自两个额外的分布外站点的模型，部分包含无标记样本。对于较粗糙的分割 (64 个区域)，SpaRG 仅利用原始连接的 1%，同时提高了跨域的分类准确率。我们的代码可在 github.com/yanismiraoui/SpaRG 查找。
引用
@article{arxiv.2410.07201,
title = {SpaRG: Sparsely Reconstructed Graphs for Generalizable fMRI Analysis},
author = {Camila González and Yanis Miraoui and Yiran Fan and Ehsan Adeli and Kilian M. Pohl},
journal= {arXiv preprint arXiv:2410.07201},
year = {2024}
}