자가지도 학습 기반 기능적 연결성 고수준 관계 학습 연구

Self-supervised high-level relation learning from functional connectivity

연구 내용

자가지도 학습으로 기능적 연결성에서 고수준 관계를 표현학습하고, 뇌영상 분류에 활용 가능한 임베딩을 구성하는 연구

rs-fMRI에서 얻는 기능적 연결성(FC) 행렬을 입력으로, 라벨 의존도를 낮추는 self-supervision 기반 학습을 통해 고수준 관계 표현을 구성하는 접근을 수행합니다. 단순한 저차 연결성 특징을 넘어 뇌 영역 간 관계를 구조적으로 학습하여 discriminative feature learning을 강화하는 데 목적을 둡니다. 학습된 표현은 다운스트림 진단 모델의 입력으로 사용되어 분류 성능과 일반화에 기여하도록 설계합니다. 이를 통해 소량 라벨 환경에서도 안정적인 뇌영상 특징 획득을 지원합니다.

관련 프로젝트

0건

연구 흐름

기능적 연결성으로부터 유용한 특징을 추출하되, 지도학습에 필요한 라벨 비용을 줄이기 위해 self-supervised 학습 전략을 도입했습니다. 이후 FC에서 고수준 관계를 학습하는 모델 설계를 통해 단순 연결성 패턴을 넘어서는 표현을 목표로 연구를 진행했습니다. 학습된 표현의 유용성을 뇌영상 분류 맥락에서 확인하고, 표현의 discriminative성을 향상시키는 방향으로 학습 구성을 조정했습니다. 결과적으로 downstream 작업으로 연결되는 고수준 관계 임베딩을 확보하는 흐름으로 발전했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

자가지도 학습 전처리 모듈
FC 임베딩 추출 파이프라인
소량 라벨 진단 성능 향상
고차 연결성 탐색
다운스트림 분류기 학습 가속
개인차 반영형 표현학습
ROI 후보 생성 기반 특징
강건한 뇌영상 특징 추출
다중 질환 범용 임베딩 확장
학습 전략으로서 self-supervision 활용