Core Concepts
다양한 분석 파이프라인에서 생성된 fMRI 통계 지도를 상호 변환하여 분석 변동성을 완화하는 새로운 접근법을 제안한다.
Abstract
이 연구는 신경영상 결과의 재현성을 높이기 위해 서로 다른 기능적 자기공명영상(fMRI) 분석 파이프라인 간 통계 지도를 변환하는 새로운 방법을 제안한다.
분석 파이프라인을 데이터의 스타일 요소로 간주하고, 확산 모델(Diffusion Model)을 포함한 다양한 생성 모델을 사용하여 파이프라인 간 데이터 변환을 수행한다.
파이프라인을 구분하는 분류기의 잠재 공간을 활용하여 분류기 조건부 확산 모델(CCDDPM)을 설계한다. 이를 통해 단일 모델로 다중 도메인 간 전이를 학습할 수 있다.
초기 노이즈 상태를 고정하고 다수의 타깃 이미지를 활용하는 새로운 샘플링 전략을 제안하여, 타깃 도메인의 특성을 잘 반영하면서도 소스 이미지의 고유 특성을 유지할 수 있도록 한다.
제안 모델의 성능을 다양한 지표로 평가하고, 기존 모델들과 비교한 결과, 제안 모델이 파이프라인 간 전이에 효과적임을 보여준다.
Stats
다양한 분석 파이프라인을 사용하여 생성된 fMRI 통계 지도는 서로 다른 결과를 보일 수 있다.
파이프라인 간 결과를 결합하는 메타 분석 및 메가 분석에서는 거짓 양성 발견의 위험이 증가할 수 있다.
제안 모델은 파이프라인 간 전이를 통해 분석 변동성을 완화할 수 있다.
Quotes
"분석 파이프라인을 데이터의 스타일 요소로 간주하고, 다양한 생성 모델을 사용하여 파이프라인 간 데이터 변환을 수행한다."
"분류기의 잠재 공간을 활용하여 분류기 조건부 확산 모델(CCDDPM)을 설계함으로써 단일 모델로 다중 도메인 간 전이를 학습할 수 있다."
"초기 노이즈 상태를 고정하고 다수의 타깃 이미지를 활용하는 새로운 샘플링 전략을 통해 타깃 도메인의 특성을 잘 반영하면서도 소스 이미지의 고유 특성을 유지할 수 있다."