ACTION: Augmentation and Computation Toolbox for Brain Network Analysis with Functional MRI

功能性磁共振成像（fMRI）已经越来越多地被应用于研究大脑功能活动。许多与fMRI相关的软件/工具箱已经开发出来，提供专门的算法用于fMRI分析。然而，现有的工具箱很少考虑fMRI数据增强，这在数据有限或不平衡的研究中非常有用。此外，当前的研究通常集中于使用依赖于人工设计的fMRI特征的传统机器学习模型来分析fMRI，而没有研究可以自动学习数据驱动fMRI表征的深度学习模型。在这项工作中，我们开发了一个名为Augmentation and Computation Toolbox for braIn netwOrk aNalysis（ACTION）的开源工具箱，提供全面的功能来简化fMRI分析。ACTION是一个基于Python的跨平台工具箱，具有图形用户友好的界面。它可以实现自动fMRI增强，包括血氧水平依赖性（BOLD）信号增强和脑网络增强。它包括许多流行的脑网络构建和网络特征提取方法。特别是，它支持构建深度学习模型，利用大规模辅助未标记数据（3,800多个静息态fMRI扫描）进行模型预训练，以增强模型在下游任务中的性能。为了促进多中心fMRI研究，它还配备了几种流行的联邦学习策略。此外，它还可以通过脚本设计和测试自定义算法，极大地提高了其实用性和可扩展性。我们展示了ACTION在真实fMRI数据上的有效性和用户友好性，并呈现了实验结果。该软件及其源代码和手册可在线访问。

论文旨在开发一个名为ACTION的开源工具箱，以简化fMRI分析，其中包括自动数据增强和构建深度学习模型等功能。同时，该工具箱还支持多中心fMRI研究，并提供了多种联邦学习策略。

该工具箱提供了自动fMRI数据增强，包括BOLD信号增强和脑网络增强，并支持构建深度学习模型，利用大规模未标记数据进行模型预训练，以提高模型性能。同时，该工具箱还提供了多种联邦学习策略，以便进行多中心fMRI研究。

该工具箱是Python基础的跨平台工具箱，具有图形用户友好界面。它包括许多常用的脑网络构建和网络特征提取方法，并支持用户通过脚本设计和测试自定义算法。该工具箱在真实fMRI数据上进行了测试，并展示了其有效性和易用性。该工具箱的源代码和手册可以在网上访问。

最近在fMRI分析领域中，还有一些相关的研究。例如，"Deep Learning for Functional Connectivity-based Brain Classification"和"Deep Learning with Convolutional Neural Networks for EEG Decoding and Visualization"等。