Naukowcy pokazali, że można generować syntetyczne dane fMRI przy użyciu transformacji falkowej i flow matchingu spektralnego, co może znacznie poprawić skuteczność diagnostyki zaburzeń mózgu. Nowa technika łączy zaawansowaną analizę sygnałów z głębokimi modelami generatywnymi, tworząc realistyczne szeregi czasowe obrazów funkcjonalnego rezonansu magnetycznego. Ta kombinacja ma szansę na poważne przyspieszenie trenowania algorytmów AI, szczególnie w przypadkach, gdzie dostęp do rzeczywistych skanów mózgu jest ograniczony ze względów medycznych i ochrony prywatności pacjentów.
Problem, który rozwiązuje ta metoda, dotyczy braku wystarczających danych do szkolenia dokładnych modeli diagnostycznych. Skany fMRI zawierają bogate informacje o aktywności mózgu, ale zbieranie ich jest drogie, czasochłonne i wymagające specjalistycznego sprzętu. Generowanie syntetycznych, ale realistycznych danych treningowych pozwala naukowcom na rozwijanie i testowanie nowych algorytmów bez potrzeby dostępu do ogromnych baz rzeczywistych skanów. To szczególnie istotne dla rzadkich zaburzeń neurologicznych, dla których danych może po prostu brakować.
Innowacyjne podejście polega na użyciu transformacji falkowej - zaawansowanej techniki przetwarzania sygnałów - do analizy struktury czasowej fMRI na różnych skalach, a następnie na zastosowaniu spectral flow matchingu, czyli nowoczesnego podejścia z dziedziny generatywnych modeli głębokich. Ten połączony schemat ma potencjał na stworzenie syntetycznych danych, które zachowują kluczowe charakterystyki biologiczne rzeczywistych skanów mózgu, co powinno uczynić je wartościowymi dla trenowania bardziej dokładnych diagnostycznych systemów AI.