fMRI 动力学的迁移学习
图像与视频处理
2019-11-19 v1 机器学习
机器学习
摘要
随着精神障碍进展,其可能影响脑结构,但表达于脑动力学中的脑功能受影响早得多。捕捉脑动力学表达障碍的时刻对早期诊断是关键的。通过训练分类器解决此问题的传统方法,或基于手工特征,或需大数据集以克服 问题——此时高维 fMRI 体仅带单一携带学习信号的标签。针对每种障碍的研究可能无法获得大数据集,或罕见障碍类型或亚群可能不值得使用它们。本文中,我们展示一种自监督预训练方法,使我们能直接在健康对照受试者的 fMRI 动力学上预训练,并将学习迁移至小得多的精神分裂症数据集。我们不仅实现了基于小数据 fMRI 动力学直接分类障碍,而且在可能时显著加速学习。这是跨数据集与诊断类别进行信息性迁移学习的令人鼓舞的证据。
引用
@article{arxiv.1911.06813,
title = {Transfer Learning of fMRI Dynamics},
author = {Usman Mahmood and Md Mahfuzur Rahman and Alex Fedorov and Zening Fu and Sergey Plis},
journal= {arXiv preprint arXiv:1911.06813},
year = {2019}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2019 - Extended Abstract