機能的磁気共鳴画像法（fMRI）は、血中酸素濃度依存（BOLD）信号を経時的に測定することで、脳の動的活動を非侵襲的に観察できる重要な技術であり、脳科学や臨床診断に広く利用されています。しかし、fMRIの取得には高コストと長時間を要するため、高品質なサンプル数が限られており、データ駆動型の脳解析モデルの発展を制約しています。近年、GANや拡散モデルなどの生成モデルによるfMRIデータ合成が試みられていますが、元のBOLD信号に内在する非定常性、複雑な時空間ダイナミクス、生理的変動を忠実に再現することは依然として困難です。特に、BOLD信号は過渡的な変化やマルチスケールの揺らぎを豊富に含んでおり、既存の生成手法ではこれらの特徴を正確に捉えられていません。
上記の問題に対処するため、Hwa Hui Tewらの研究チームは、Dual-Spectral Flow Matching（DSFM）という新しいfMRI生成フレームワークを提案しました。このフレームワークの核心は、2つの周波数変換をカスケードしてBOLD信号の特性を包括的に表現することにあります。まず、離散ウェーブレット変換（DWT）を用いてBOLD信号をウェーブレット分解マップに変換します。ウェーブレット変換は時間と周波数の両方に局在化した解析が可能であり、信号の非定常性や過渡的な変化、異なるスケールでの変動を同時に捉えることができます。次に、このウェーブレット分解マップを離散コサイン変換（DCT）空間に投影します。DCTはエネルギーを低周波係数に集中させる特性があり、BOLD信号の主要なエネルギーを効率的に圧縮できます。脳領域と時間の両軸にわたってDCTを適用することで、低周波優位な係数の局所的なエネルギー集中を活用します。
二重周波数表現を得た後、DSFMはスペクトルフローマッチングモデルを訓練します。このモデルは条件付き生成に基づき、所望の脳疾患クラスに応じたコサイン周波数表現を生成します。スペクトルフローマッチングは最適輸送に基づく生成手法で、高品質かつ多様なサンプルを安定して生成できます。生成されたコサイン周波数表現は、逆DCTと逆DWTを経て時間領域のBOLD信号に再構成されます。この二重変換戦略により、生成過程に構造化された周波数事前分布が課され、再構成された信号が重要な生理学的脳動態を保持することが保証されます。フレームワーク全体はエンドツーエンドで訓練可能であり、フローマッチングの安定性により従来の生成モデルに見られるモード崩壊の問題を回避できます。
実験では、DSFMが生成したfMRIデータを下流の脳ネットワーク分類タスクに適用したところ、合成データで訓練セットを拡張することで分類性能が有意に向上し、生成データが現実的な生理学的特徴を維持していることが確認されました。本研究は機械学習のトップ会議であるICLR 2026に採択され、コードはGitHub（https://github.com/htew0001/DSFM.git）で公開されています。これにより、fMRIデータ拡張と脳障害識別の研究がさらに促進されることが期待されます。本成果は、医療画像分野における生成モデルの応用を推進するとともに、fMRIデータ不足という実用的課題に対する具体的な解決策を提供するものです。