論文の概要: Fine-grain atlases of functional modes for fMRI analysis

• arxiv url: http://arxiv.org/abs/2003.05405v1
• Date: Thu, 5 Mar 2020 12:04:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 07:35:24.881995
• Title: Fine-grain atlases of functional modes for fMRI analysis
• Title（参考訳）: fMRI解析のための機能モードの微粒化
• Authors: Kamalaker Dadi (PARIETAL), Ga\"el Varoquaux (PARIETAL), Antonia Machlouzarides-Shalit (PARIETAL), Krzysztof J. Gorgolewski, Demian Wassermann (PARIETAL), Bertrand Thirion (PARIETAL), Arthur Mensch (DMA, PARIETAL)
• Abstract要約: 人口画像は機能的画像データセットのサイズを著しく増加させ、個体間差の神経基盤に新たな光を放つ。 そのため、脳画像は通常、脳のアトラスや機能モードによるボクセルレベルの測定を減少させるなど、いくつかの信号で要約される。 我々は64から1024のネットワークから構成される機能モードの細かな解決されたアトラスに貢献する。 これらの機能モードの辞書は、総サイズ2.4TBの何百万ものfMRI機能脳のボリュームで訓練されており、27以上の研究と多くの研究グループにまたがっている。
• 参考スコア（独自算出の注目度）: 21.281361743023403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Population imaging markedly increased the size of functional-imaging datasets, shedding new light on the neural basis of inter-individual differences. Analyzing these large data entails new scalability challenges, computational and statistical. For this reason, brain images are typically summarized in a few signals, for instance reducing voxel-level measures with brain atlases or functional modes. A good choice of the corresponding brain networks is important, as most data analyses start from these reduced signals. We contribute finely-resolved atlases of functional modes, comprising from 64 to 1024 networks. These dictionaries of functional modes (DiFuMo) are trained on millions of fMRI functional brain volumes of total size 2.4TB, spanned over 27 studies and many research groups. We demonstrate the benefits of extracting reduced signals on our fine-grain atlases for many classic functional data analysis pipelines: stimuli decoding from 12,334 brain responses, standard GLM analysis of fMRI across sessions and individuals, extraction of resting-state functional-connectomes biomarkers for 2,500 individuals, data compression and meta-analysis over more than 15,000 statistical maps. In each of these analysis scenarii, we compare the performance of our functional atlases with that of other popular references, and to a simple voxel-level analysis. Results highlight the importance of using high-dimensional "soft" functional atlases, to represent and analyse brain activity while capturing its functional gradients. Analyses on high-dimensional modes achieve similar statistical performance as at the voxel level, but with much reduced computational cost and higher interpretability. In addition to making them available, we provide meaningful names for these modes, based on their anatomical location. It will facilitate reporting of results.
• Abstract（参考訳）: 人口画像は機能的画像データセットのサイズを大きくし、個体間差の神経基盤に新たな光を放つ。 これらの大規模データを分析するには、新しいスケーラビリティの課題、計算、統計が伴う。 そのため、脳画像は通常、脳のアトラスや機能モードによるボクセルレベルの測定を減少させるなど、いくつかの信号で要約される。 多くのデータ分析は、これらの減少した信号から始まるため、対応する脳ネットワークのよい選択が重要である。 64から1024のネットワークからなる機能的モードのアトラスを,精細に解き明かした。 これらの機能的モードの辞書(DiFuMo)は、合計2.4TBのfMRI機能的脳の数百万の量を訓練しており、27以上の研究と多くの研究グループにまたがっている。 12,334の脳反応からの刺激デコード、セッションや個人間でのfMRIの標準GLM分析、2500人以上の静止状態機能結合バイオマーカーの抽出、データ圧縮およびメタ分析など、多くの古典的な機能的データ分析パイプラインにおいて、微細結晶の信号の除去の利点を実証する。 これらの分析のそれぞれにおいて、機能的アトラスと他の一般的な参照のパフォーマンスを比較し、簡単なボクセルレベル解析と比較する。 その結果、高次元の「ソフト」機能アトラスを用いて脳活動の表現と分析を行い、機能的勾配を捉えることの重要性を強調した。 高次元モードの解析はボクセルレベルでも同様の統計性能を達成するが、計算コストは大幅に削減され、解釈性も向上した。 利用可能なだけでなく、解剖学的位置に基づいて、これらのモードに意味のある名前を提供する。 結果の報告を容易にする。

関連論文リスト

• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• ACTION: Augmentation and Computation Toolbox for Brain Network Analysis with Functional MRI [28.639321546348654]
  ActionはfMRI分析のためのPythonベースのクロスプラットフォームツールボックスである。 自動fMRI増強、血液酸素レベル依存(BOLD)シグナル増強、脳ネットワーク増強を可能にする。 大規模な補助的なラベルなしデータを活用するディープラーニングモデルの構築をサポートする。
  論文  参考訳（メタデータ） (2024-05-10T01:45:09Z)
• SwiFT: Swin 4D fMRI Transformer [17.95502427633986]
  SwiFTS (win 4D fMRI Transformer) は,fMRIのボリュームから直接脳のダイナミクスを学習できるSwin Transformerアーキテクチャである。 複数の大規模静止状態fMRIデータセットを用いてSwiFTを評価し,性別年齢と認知知能を予測する。
  論文  参考訳（メタデータ） (2023-07-12T04:53:36Z)
• Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
  本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。 まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。 そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:17:57Z)
• FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial Intelligence Developed for Brain [0.8376091455761259]
  ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。 提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。 提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
  論文  参考訳（メタデータ） (2022-08-30T16:06:07Z)
• Cross-Modality Neuroimage Synthesis: A Survey [71.27193056354741]
  マルチモダリティイメージングは、疾患の診断を改善し、解剖学的特性を持つ組織における相違を明らかにする。 完全な整列とペアの多モードニューロイメージングデータの存在は、脳研究においてその効果を証明している。 もう一つの解決策は、教師なしまたは弱教師なしの学習方法を探究し、欠落した神経画像データを合成することである。
  論文  参考訳（メタデータ） (2022-02-14T19:29:08Z)
• Active Selection of Classification Features [0.0]
  人口統計などの補助的データは、最も有益なMRIスキャンを持つ個人を含む小さなサンプルを選択するのに役立ちます。 本研究では,2つの実用的手法を提案し,その性能を3つの実世界のベンチマークデータセットで評価する。
  論文  参考訳（メタデータ） (2021-02-26T18:19:08Z)
• Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
  マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。 MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。 ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。 本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
  論文  参考訳（メタデータ） (2020-10-24T08:50:26Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。