Mitigating analytical variability in fMRI results with style transfer

要約

我々は、異なる機能的 MRI パイプライン間で統計マップを変換することにより、神経イメージング結果の再現性を向上させる新しいアプローチを提案します。
fMRI 統計マップの計算に使用されるパイプラインはスタイル コンポーネントとして考慮できると仮定し、敵対的生成ネットワーク (GAN) と拡散モデル (DM) などのさまざまな生成モデルを使用して、さまざまなパイプライン間で統計マップを変換することを提案します。
。
私たちは複数の GAN フレームワークのパフォーマンスを調査し、教師なしマルチドメイン スタイル転送のための新しい DM フレームワークを設計します。
さまざまなパイプラインからの統計マップを区別する補助分類器の潜在空間を使用して 3D fMRI 統計マップの生成を制限し、DM で使用される従来のサンプリング手法を拡張して遷移パフォーマンスを向上させます。
私たちの実験は、私たちが提案した方法が成功したことを示しています。パイプラインは実際にスタイル コンポーネントとして転送でき、将来の医学研究のためのデータ拡張の重要なソースを提供します。

要約(オリジナル)

We propose a novel approach to improve the reproducibility of neuroimaging results by converting statistic maps across different functional MRI pipelines. We make the assumption that pipelines used to compute fMRI statistic maps can be considered as a style component and we propose to use different generative models, among which, Generative Adversarial Networks (GAN) and Diffusion Models (DM) to convert statistic maps across different pipelines. We explore the performance of multiple GAN frameworks, and design a new DM framework for unsupervised multi-domain styletransfer. We constrain the generation of 3D fMRI statistic maps using the latent space of an auxiliary classifier that distinguishes statistic maps from different pipelines and extend traditional sampling techniques used in DM to improve the transition performance. Our experiments demonstrate that our proposed methods aresuccessful: pipelines can indeed be transferred as a style component, providing animportant source of data augmentation for future medical studies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google