每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

VarCoNet：一种用于从静息态 fMRI 中提取功能连接组的变异感知自监督框架

Created by
  • Haebom

作者

Charalampos Lamprou、Aamna Alshehhi、Leontios J. Hadjileontiadis、Mohamed L. Seghier

大纲

本文介绍了一种改进的自监督学习框架 VarCoNet，用于从静息态 fMRI (rs-fMRI) 数据中提取稳健的功能连接组 (FC)。该框架将脑功能的个体间差异视为有意义的数据。VarCoNet 利用自监督对比学习来挖掘固有的功能个体间差异，并充当脑特征编码器，生成可直接应用于下游任务的 FC 嵌入，而无需标记数据。VarCoNet 通过一种基于 rs-fMRI 信号分割的新型增强策略来促进对比学习，集成了 1D-CNN-Transformer 编码器以改进时间序列处理，并采用了稳健的贝叶斯超参数优化。VarCoNet 在两个下游任务上进行了评估：使用来自人类连接组计划 (HCM) 的 rs-fMRI 数据进行受试者指纹识别，以及使用来自 ABIDE I 和 ABIDE II 数据集的 rs-fMRI 数据进行自闭症谱系障碍 (ASD) 分类。使用各种大脑分区对包括 13 种深度学习方法在内的最先进方法进行广泛测试，证明了 VarCoNet 的优越性、稳健性、可解释性和通用性。

Takeaways, Limitations

•
Takeaways：
◦
我们提出了一种新方法，利用大脑功能的个体间差异作为有意义的数据。
◦
我们为 Rs-fMRI 数据分析提供了一个强大且可推广的 FC 提取框架。
◦
它在自闭症谱系障碍（ASD）分类和受试者指纹识别等下游任务中表现出色。
◦
我们通过将其与最先进的方法（包括各种大脑分区和 13 种深度学习方法）进行比较来验证我们的性能。
•
Limitations：
◦
论文中没有具体说明Limitations。
◦
数据依赖性：性能可能受到 Rs-fMRI 数据的质量和数量的限制。
◦
计算成本：1D-CNN-Transformer 编码器和贝叶斯超参数优化的复杂性会导致高计算成本。
👍
Made with Slashpage