論文の概要: Attend and Decode: 4D fMRI Task State Decoding Using Attention Models
- arxiv url: http://arxiv.org/abs/2004.05234v2
- Date: Tue, 19 Jan 2021 06:35:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 21:21:43.965337
- Title: Attend and Decode: 4D fMRI Task State Decoding Using Attention Models
- Title（参考訳）: 注意と復号:注意モデルを用いた4次元fMRIタスク状態復号
- Authors: Sam Nguyen, Brenda Ng, Alan D. Kaplan and Priyadip Ray
- Abstract要約: 我々は、Brain Attend and Decode (BAnD)と呼ばれる新しいアーキテクチャを提案する。
BAnDは残留畳み込みニューラルネットワークを用いて空間的特徴抽出と時間的モデリングを行う。
我々は,Human Connectome Project-Young Adult データセットの 7-task ベンチマークによる以前の研究と比較して,大幅な性能向上を実現している。
- 参考スコア（独自算出の注目度）: 2.6954666679827137
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Functional magnetic resonance imaging (fMRI) is a neuroimaging modality that
captures the blood oxygen level in a subject's brain while the subject either
rests or performs a variety of functional tasks under different conditions.
Given fMRI data, the problem of inferring the task, known as task state
decoding, is challenging due to the high dimensionality (hundreds of million
sampling points per datum) and complex spatio-temporal blood flow patterns
inherent in the data. In this work, we propose to tackle the fMRI task state
decoding problem by casting it as a 4D spatio-temporal classification problem.
We present a novel architecture called Brain Attend and Decode (BAnD), that
uses residual convolutional neural networks for spatial feature extraction and
self-attention mechanisms for temporal modeling. We achieve significant
performance gain compared to previous works on a 7-task benchmark from the
large-scale Human Connectome Project-Young Adult (HCP-YA) dataset. We also
investigate the transferability of BAnD's extracted features on unseen HCP
tasks, either by freezing the spatial feature extraction layers and retraining
the temporal model, or finetuning the entire model. The pre-trained features
from BAnD are useful on similar tasks while finetuning them yields competitive
results on unseen tasks/conditions.
- Abstract（参考訳）: 機能的磁気共鳴イメージング(英: functional magnetic resonance imaging、fMRI)は、被験者の脳の酸素レベルを捉え、被験者は異なる条件下で様々な機能的タスクを遂行する、神経イメージングモダリティである。
fMRIデータを考えると、タスク状態復号(Task State Decoding)と呼ばれるタスクを推測する問題は、高次元性(ダタム当たり100万個のサンプリングポイント)とデータ固有の複雑な時空間的血流パターンのために困難である。
本研究では, fMRIタスク状態復号化問題に対して, 4次元時空間分類問題としてキャストすることを提案する。
本稿では,空間的特徴抽出のための残差畳み込みニューラルネットワークと時間的モデリングのための自己認識機構を用いた,ブレイン・アテント・アンド・デコード(BAnD)という新しいアーキテクチャを提案する。
大規模ヒトコネクトーム・プロジェクト・ヤング・アダルト(hcp-ya)データセットによる7タスク・ベンチマークでは,従来よりも高い性能向上を達成している。
また,空間的特徴抽出層を凍結したり,時間モデルを再訓練したり,モデル全体を微調整したりすることで,BAnDの抽出した特徴のHCPタスクへの伝達性についても検討した。
bandの事前トレーニングされた機能は、同様のタスクで有効だが、微調整することで、目に見えないタスク/条件の競合結果が得られる。
関連論文リスト
- STNAGNN: Spatiotemporal Node Attention Graph Neural Network for Task-based fMRI Analysis [9.35032090865023]
タスク駆動型データ構造は自閉症解析に有効であることを示す。
本稿では,GNNに基づくタスクベースアーキテクチャを提案し,その性能を自閉症タスクで検証する。
論文 参考訳（メタデータ） (2024-06-17T20:08:05Z) - Brain3D: Generating 3D Objects from fMRI [76.41771117405973]
被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。
我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。
予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
論文 参考訳（メタデータ） (2024-05-24T06:06:11Z) - MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳（メタデータ） (2024-04-11T15:46:42Z) - Learning Sequential Information in Task-based fMRI for Synthetic Data
Augmentation [10.629487323161323]
本稿では、下流学習における強化トレーニングデータセットの作成に使用できる合成fMRIシーケンスの生成手法を提案する。
合成画像は、可視化や自閉症スペクトラム障害(ASD)分類タスクを含む複数の視点から評価される。
論文 参考訳（メタデータ） (2023-08-29T18:36:21Z) - TC-LIF: A Two-Compartment Spiking Neuron Model for Long-Term Sequential
Modelling [54.97005925277638]
潜在的な可能性や危険に関連する感覚的手がかりの同定は、長期間の遅延によって有用な手がかりを分離する無関係な事象によってしばしば複雑になる。
SNN(State-of-the-art spiking Neural Network)は、遠方のキュー間の長期的な時間的依存関係を確立する上で、依然として困難な課題である。
そこで本研究では,T-LIFとよばれる,生物学的にインスパイアされたTwo-compartment Leaky Integrate- and-Fireのスパイキングニューロンモデルを提案する。
論文 参考訳（メタデータ） (2023-08-25T08:54:41Z) - Long Short-term Memory with Two-Compartment Spiking Neuron [64.02161577259426]
LSTM-LIFとよばれる,生物学的にインスパイアされたLong Short-Term Memory Leaky Integrate-and-Fireのスパイキングニューロンモデルを提案する。
実験結果は,時間的分類タスクの多種多様な範囲において,優れた時間的分類能力,迅速な訓練収束,ネットワークの一般化性,LSTM-LIFモデルの高エネルギー化を実証した。
したがって、この研究は、新しいニューロモルフィック・コンピューティング・マシンにおいて、困難な時間的処理タスクを解決するための、無数の機会を開放する。
論文 参考訳（メタデータ） (2023-07-14T08:51:03Z) - 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) - 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) - Reducing Catastrophic Forgetting in Self Organizing Maps with
Internally-Induced Generative Replay [67.50637511633212]
生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。
適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。
この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
論文 参考訳（メタデータ） (2021-12-09T07:11:14Z) - Understanding Cognitive Fatigue from fMRI Scans with Self-supervised
Learning [0.0]
本稿では, 認知疲労の状態を, 不快感から極度の疲労状態まで, 6つのレベルに分けることを提案する。
我々は,空間的特徴抽出に畳み込みニューラルネットワーク(CNN)を用い,4次元fMRIスキャンの時間的モデリングに長寿命メモリ(LSTM)ネットワークを構築した。
本手法は,fMRIデータから認知疲労を解析するための最先端技術を確立し,従来の手法に勝ってこの問題を解決する。
論文 参考訳（メタデータ） (2021-06-28T22:38:51Z) - Identification of brain states, transitions, and communities using
functional MRI [0.5872014229110214]
ベイズモデルに基づく潜在脳状態のキャラクタリゼーションを提案し,後方予測の不一致に基づく新しい手法を提案する。
タスク-fMRIデータの解析により得られた結果は、外部タスク要求と脳状態間の変化点の間の適切な遅延を示す。
論文 参考訳（メタデータ） (2021-01-26T08:10:00Z)
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。