基于残差D-net的无监督脑连接动态学习
机器学习
2019-03-01 v2 机器学习
摘要
在本文中，我们提出一种新颖的无监督学习方法，利用名为残差D-net的深度学习架构来学习脑动态。与典型的深度学习任务相反，在医学研究中，用于训练的静息态功能磁共振成像（rs-fMRI）数据集规模往往有限。因此，应非常高效地利用可用数据来学习脑连接动态背后的复杂模式。为解决此问题，我们使用残差连接通过循环多尺度表示来降低训练复杂度。我们执行两项分类任务，以区分早期与晚期轻度认知障碍（MCI）与正常健康对照（NC）受试者。实验验证了我们所提出的残差D-net确实学习了脑连接动态，相较于已发表的技术取得了显著更高的分类准确率。
引用
@article{arxiv.1804.07672,
title = {Unsupervised learning of the brain connectivity dynamic using residual D-net},
author = {Youngjoo Seo and Manuel Morante and Yannis Kopsinis and Sergios Theodoridis},
journal= {arXiv preprint arXiv:1804.07672},
year = {2019}
}
备注
10 pages, 5 figueres and 3 tables, under review in MIDL 2018