論文の概要: Single Shot Reversible GAN for BCG artifact removal in simultaneous
EEG-fMRI
- arxiv url: http://arxiv.org/abs/2011.01710v2
- Date: Wed, 4 Nov 2020 01:39:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 05:38:09.626202
- Title: Single Shot Reversible GAN for BCG artifact removal in simultaneous
EEG-fMRI
- Title(参考訳): 同時脳波-fMRIにおけるBCGアーチファクト除去のためのシングルショット可逆GAN
- Authors: Guang Lin, Jianhai Zhang, Yuxi Liu
- Abstract要約: 本稿では,新しいガントレーニングモデルであるシングルショット可逆ガン(SSRGAN)を提案する。
モデルは、特定の機能を持つ複数の独立した畳み込みブロックに分解される。
実験の結果,既存の手法と比較して,BCGアーティファクトをより効果的に除去し,有用な脳波情報を保持できることが示唆された。
- 参考スコア(独自算出の注目度): 11.975013522386543
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Simultaneous EEG-fMRI acquisition and analysis technology has been widely
used in various research fields of brain science. However, how to remove the
ballistocardiogram (BCG) artifacts in this scenario remains a huge challenge.
Because it is impossible to obtain clean and BCG-contaminated EEG signals at
the same time, BCG artifact removal is a typical unpaired signal-to-signal
problem. To solve this problem, this paper proposed a new GAN training model -
Single Shot Reversible GAN (SSRGAN). The model is allowing bidirectional input
to better combine the characteristics of the two types of signals, instead of
using two independent models for bidirectional conversion as in the past.
Furthermore, the model is decomposed into multiple independent convolutional
blocks with specific functions. Through additional training of the blocks, the
local representation ability of the model is improved, thereby improving the
overall model performance. Experimental results show that, compared with
existing methods, the method proposed in this paper can remove BCG artifacts
more effectively and retain the useful EEG information.
- Abstract(参考訳): 脳波-fMRI同時取得・解析技術は脳科学の様々な研究分野で広く利用されている。
しかし、このシナリオでBCG(Ballistocardiogram)アーティファクトを除去する方法は、依然として大きな課題である。
クリーンでbcg汚染された脳波信号を同時に得ることは不可能であるため、bcgアーティファクト除去は典型的な信号対信号問題である。
そこで本研究では,新しいGANトレーニングモデルであるSingle Shot Reversible GAN(SSRGAN)を提案する。
このモデルでは、従来のように双方向変換に2つの独立したモデルを使う代わりに、2種類の信号の特徴をうまく組み合わせることができる。
さらに、モデルは特定の関数を持つ複数の独立した畳み込みブロックに分解される。
ブロックの追加トレーニングにより、モデルの局所的な表現能力が改善され、全体のモデル性能が向上する。
実験の結果,既存の手法と比較して,BCGアーティファクトをより効果的に除去し,有用な脳波情報を保持できることが示唆された。
関連論文リスト
- Guess What I Think: Streamlined EEG-to-Image Generation with Latent Diffusion Models [4.933734706786783]
EEGは低コストで非侵襲的でポータブルなニューロイメージング技術である。
EEGは、空間分解能が低く、ノイズやアーティファクトへの感受性が低いため、固有の課題を提示している。
脳波信号による潜伏拡散モデルの条件付けのための制御ネットアダプタに基づくフレームワークを提案する。
論文 参考訳(メタデータ) (2024-09-17T19:07:13Z) - ART: Artifact Removal Transformer for Reconstructing Noise-Free Multichannel Electroencephalographic Signals [0.10499611180329801]
脳波(EEG)のアーチファクト除去は神経科学的な分析と脳-コンピュータインターフェース(BCI)のパフォーマンスに大きな影響を及ぼす。
本研究は,脳波信号の過渡ミリ秒スケール特性を順応的に捉えるため,トランスフォーマーアーキテクチャを用いた脳波復調モデルを提案する。
脳波信号処理においてARTが他の深層学習に基づくアーティファクト除去手法を上回ることが確認された。
論文 参考訳(メタデータ) (2024-09-11T15:05:40Z) - Leveraging sinusoidal representation networks to predict fMRI signals
from EEG [3.3121941932506473]
本稿では,マルチチャネル脳波から直接fMRI信号を予測できる新しいアーキテクチャを提案する。
本モデルは,脳波の周波数情報を学習するための正弦波表現ネットワーク(SIREN)を実装して実現している。
我々は,脳波-fMRI同時データセットを8被験者で評価し,脳皮質下 fMRI 信号の予測の可能性について検討した。
論文 参考訳(メタデータ) (2023-11-06T03:16:18Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳(メタデータ) (2023-06-23T03:09:03Z) - Two-stage MR Image Segmentation Method for Brain Tumors based on
Attention Mechanism [27.08977505280394]
CycleGAN(CycleGAN)に基づく協調・空間的注意生成対向ネットワーク(CASP-GAN)を提案する。
ジェネレータの性能は、コーディネート・アテンション(CA)モジュールと空間アテンション(SA)モジュールを導入することで最適化される。
元の医用画像の構造情報と詳細な情報を抽出する能力は、所望の画像をより高品質に生成するのに役立つ。
論文 参考訳(メタデータ) (2023-04-17T08:34:41Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳(メタデータ) (2022-12-01T07:32:56Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳(メタデータ) (2022-10-23T15:11:37Z) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳(メタデータ) (2022-03-10T14:22:54Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳(メタデータ) (2021-12-23T15:52:37Z) - MITNet: GAN Enhanced Magnetic Induction Tomography Based on Complex CNN [4.053866599861625]
本論文では, 複合畳み込みニューラルネットワーク(CNN)を基盤として, MITNet と名付けた, ジェネレーション・アドバーサリ・ネットワーク (GAN) 強化 MIT 手法を提案する。
実世界のデータセットによる実験結果から,最先端の手法を25.27%上回る性能が得られた。
論文 参考訳(メタデータ) (2021-02-16T01:42:31Z)
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。