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。

结构很重要:通过可学习的边缘掩蔽增强脑图,实现数据高效的精神病诊断

Created by
  • Haebom

作者

刘木杰、王晨泽、陈丽萍、Nguyen Linh Dan Le、Niharika Tewari、Ting Dang、Jiangang Ma、Feng Xia

大纲

有限的标记脑网络数据量给做出准确且可解释的精神疾病诊断带来了挑战。自监督学习 (SSL) 提供了一种颇具前景的解决方案,但现有方法通常依赖于数据增强策略,而这些策略可能会掩盖脑图的重要结构语义。为了解决这个问题,我们提出了 SAM-BG,这是一个用于学习保留结构语义的脑图表征的两阶段框架。在预训练阶段,边缘掩蔽器在一小部分标记子集上进行训练,以捕捉关键的结构语义。在 SSL 阶段,提取的结构先验信息将指导结构感知的增强过程,使模型能够学习更有意义、更稳健的表征。在两个真实精神病学数据集上的实验表明,SAM-BG 的表现优于最先进的方法,尤其是在标记数据有限的环境下,并且能够发现与临床相关的连接模式,从而增强可解释性。代码位于https://github.com/mjliu99/SAM-BG

Takeaways, Limitations

Takeaways:
我们提出了 SAM-BG,这是一个脑图表征学习框架,即使在标记数据有限的环境中也表现出卓越的性能。
保留结构意义可以提供更准确、更易于解释的精神病诊断。
提出通过发现临床相关的连接模式来改善诊断和治疗策略的可能性。
通过开放代码确保可重复性和可扩展性
Limitations:
需要进一步验证实验数据集的规模和多样性。
需要检查对其他类型的脑成像数据(例如 FMRI)的适用性。
需要对SAM-BG的结构语义保存机制进行更深入的分析。
👍