Apprendimento non supervisionato della variabilità di acquisizione nei connettomi strutturali tramite modellazione ibrida dello spazio latente
Un nuovo framework non supervisionato elimina la regolazione manuale della capacità nei modelli ibridi dello spazio latente per l'analisi del connettoma strutturale. Il metodo annega architetturalmente le uscite dell'encoder prima della decodifica, consentendo un bilanciamento adattivo delle variabili latenti discrete e continue durante l'addestramento. Ciò affronta le differenze di acquisizione tra siti, scanner e protocolli nella dMRI che complicano l'analisi del connettoma. Il framework separa gli effetti legati all'acquisizione dalla variazione biologica senza richiedere regolazione manuale, superando una limitazione dei precedenti modelli ibridi. L'approccio viene valutato su dataset curati, dimostrando la sua efficacia nell'apprendere rappresentazioni robuste.
Fatti principali
- Le differenze di acquisizione tra siti, scanner e protocolli nella dMRI introducono variabilità nell'analisi del connettoma strutturale.
- I modelli di deep learning possono rappresentare connettomi ad alta dimensionalità in uno spazio a bassa dimensionalità separando gli effetti di acquisizione dalla variazione biologica.
- I metodi convenzionali di riduzione della dimensionalità modellano tutta la varianza come continua, causando l'assorbimento degli effetti di acquisizione nello spazio latente continuo.
- I recenti modelli ibridi dello spazio latente combinano componenti discrete e continue ma richiedono una regolazione manuale della capacità.
- Il framework non supervisionato proposto elimina la regolazione manuale anneggiando architetturalmente le uscite dell'encoder prima della decodifica.
- Il modello bilancia adattivamente le variabili latenti discrete e continue durante l'addestramento.
- Il framework viene valutato su dataset curati.
- L'approccio affronta una limitazione chiave nei modelli ibridi esistenti per l'analisi del connettoma.
Entità
—