Deep learning models have been successfully applied to the analysis of various functional MRI data. Convolutional neural networks (CNN), a class of deep neural networks, have been found to excel at extracting local meaningful features based on their shared-weights architecture and space invariance characteristics. In this study, we propose M2D CNN, a novel multichannel 2D CNN model, to classify 3D fMRI data. The model uses sliced 2D fMRI data as input and integrates multichannel information learned from 2D CNN networks. We experimentally compared the proposed M2D CNN against several widely used models including SVM, 1D CNN, 2D CNN, 3D CNN, and 3D separable CNN with respect to their performance in classifying task-based fMRI data. We tested M2D CNN against six models as benchmarks to classify a large number of time-series whole-brain imaging data based on a motor task in the Human Connectome Project (HCP). The results of our experiments demonstrate the following: (i) convolution operations in the CNN models are advantageous for high-dimensional whole-brain imaging data classification, as all CNN models outperform SVM; (ii) 3D CNN models achieve higher accuracy than 2D CNN and 1D CNN model, but 3D CNN models are computationally costly as any extra dimension is added in the input; (iii) the M2D CNN model proposed in this study achieves the highest accuracy and alleviates data overfitting given its smaller number of parameters as compared with 3D CNN.

中文翻译：

---

用于任务诱发的fMRI数据分类的多通道2D卷积神经网络模型。

深度学习模型已成功应用于各种功能性MRI数据的分析。卷积神经网络（CNN）是一类深层神经网络，已发现其基于共享权重架构和空间不变性特征擅长提取局部有意义的特征。在这项研究中，我们提出了一种新颖的多通道2D CNN模型M2D CNN，以对3D fMRI数据进行分类。该模型使用切片的2D fMRI数据作为输入，并整合从2D CNN网络中学习到的多通道信息。我们就提议的M2D CNN与包括SVM，1D CNN，2D CNN，3D CNN和3D可分离CNN在内的几种广泛使用的模型在基于任务的功能磁共振成像数据分类方面的性能进行了比较。我们以六个模型为基准对M2D CNN进行了测试，以根据人类Connectome项目（HCP）中的运动任务对大量时间序列全脑成像数据进行分类。我们的实验结果表明：（i）CNN模型中的卷积运算对于高维全脑成像数据分类是有利的，因为所有CNN模型都优于SVM；（ii）3D CNN模型比2D CNN和1D CNN模型具有更高的准确性，但是3D CNN模型在计算上非常昂贵，因为在输入中添加了任何额外的维度；（iii）这项研究中提出的M2D CNN模型与3D CNN相比，由于其参数数量较少，因此可以达到最高的准确性，并可以缓解数据过拟合的情况。（i）CNN模型中的卷积运算对于高维全脑成像数据分类是有利的，因为所有CNN模型都优于SVM；（ii）3D CNN模型比2D CNN和1D CNN模型具有更高的准确性，但是3D CNN模型在计算上非常昂贵，因为在输入中添加了任何额外的维度；（iii）这项研究中提出的M2D CNN模型与3D CNN相比，由于参数数量较少，因此可以达到最高的准确性，并可以缓解数据过拟合的情况。（i）CNN模型中的卷积运算有利于高维全脑成像数据分类，因为所有CNN模型均优于SVM；（ii）3D CNN模型比2D CNN和1D CNN模型具有更高的准确性，但是3D CNN模型在计算上非常昂贵，因为在输入中添加了任何额外的维度；（iii）这项研究中提出的M2D CNN模型与3D CNN相比，由于参数数量较少，因此可以达到最高的准确性，并可以缓解数据过拟合的情况。