机构名称：
¥ 1.0
摘要。计算认知神经成像研究的进展与大量标记脑成像数据的可用性有关，但此类数据稀缺且生成成本高昂。虽然在过去十年中为计算机视觉设计了强大的数据生成机制，例如生成对抗网络 (GAN)，但此类改进尚未延续到脑成像领域。一个可能的原因是 GAN 训练不适合功能性神经成像中可用的嘈杂、高维和小样本数据。在本文中，我们介绍了条件独立成分分析 (Conditional ICA)：一种快速功能性磁共振成像 (fMRI) 数据增强技术，它利用丰富的静息状态数据通过从 ICA 分解中采样来创建图像。然后，我们提出了一种机制来根据使用少量样本观察到的类来调节生成器。我们首先表明，生成机制能够成功合成与观察结果难以区分的数据，并且能够提高大脑解码问题的分类准确率。特别是，它的表现优于 GAN，同时更易于优化和解释。最后，条件 ICA 无需进一步调整参数即可提高八个数据集的分类准确率。
通过条件 ICA 进行功能性磁共振成像数据增强
主要关键词
相关文件推荐
