GATE（下）

GATE（下）

文章信息

作者

• Liang Peng, Nan Wang, Jie Xu, Xiaofeng Zhu, Senior Member, IEEE and Xiaoxiao Li Member, IEEE

单位

期刊或者会议

• IEEE Trans Med Imaging

题目

• GATE: Graph CCA for Temporal SElf-supervised Learning for Label-efficient fMRI Analysis

BGC

背景

• 神经疾病分类，使用功能磁共振成像(fMRI)。在基于人群图的疾病分析中，图卷积神经网络(GCNs)取得了显著的成功。然而，这些成就与丰富的标记数据和对虚假信号的敏感是分不开的。

目的

• 为了改善标签有效设置下的fMRI表征学习和分类，我们提出了一种新的理论驱动的GCNs自监督学习(SSL)框架，即用于fMRI分析的时间自监督学习(GATE)的图CCA。

结论

• 我们的方法在两个独立的功能磁共振数据集上进行了测试，证明了在自闭症和痴呆症诊断方面的卓越表现

创新点

方法

• 对未标记的fMRI种群图进行SSL

• 对分类任务的小标记fMRI数据集进行微调。

理论

• 可以参考我上一篇文章中的第四章

应用

• 设计一种适合的、有效的SSL策略来提取fMRI的形成特征和鲁棒特征。为此，我们从fMRI动态功能连接(FC)中研究了几种新的用于SSL训练的图增强策略

文章好在哪里

创新点

• 个人理解，本文主要是解决了数据标注以及动态FC分析中的杂散因素，在解决这些问题的同时又对这些问题进行理论分析同时还进行大量的实验

图片

• 文中的插图、配色都很不错

逻辑

• 逻辑结构很紧密一环套一环

核心步骤

思路

• 为了改善标签有效设置下的fMRI表征学习和分类，作者提供了一个GATE的学习方法，该方法可以有效的解决标签少的问题，然后就是针对这些方法进行理论证明，通过实验发现，提出的这些方法是有效可行的

图表

• 可以参考原文，个人觉得表1、图2、图4、图5、图10画的很好

句式

1. In this work, we focus on the challenging task, neuro-disease classification, using functional magnetic resonance imaging (fMRI).

2. As the brain Functional Connectivity (FC) derived from functional Magnetic Resonance Imaging (fMRI) can capture abnormal brain functional activity [1], it has been widely applied in disease diagnosis.

3. With the success of machine learning, deep learning methods have made breakthroughs in fMRI classification

4. In this paper, we propose GATE, a novel graph SSL method for fMRI analysis on the population graph. GATE can achieve outstanding classification performance without labeled data in the training phase.

5. Experimental results show that GATE outperforms alternative SSL methods on two neuroimaging datasets with significant margins. Furthermore, it opens perspectives to bring deep learning from research to clinic by learning from noisy and limited labeled data