Fugu-MT 論文翻訳(概要): fMRI-S4: learning short- and long-range dynamic fMRI dependencies using 1D Convolutions and State Space Models

論文の概要: fMRI-S4: learning short- and long-range dynamic fMRI dependencies using 1D Convolutions and State Space Models

arxiv url: http://arxiv.org/abs/2208.04166v1
Date: Mon, 8 Aug 2022 14:07:25 GMT
ステータス: 処理完了
システム内更新日: 2022-08-09 14:24:37.958663
Title: fMRI-S4: learning short- and long-range dynamic fMRI dependencies using 1D Convolutions and State Space Models
Title（参考訳）: fMRI-S4:1次元畳み込みと状態空間モデルを用いた短距離ダイナミックfMRI依存性の学習
Authors: Ahmed El-Gazzar, Rajat Mani Thomas, Guido Van Wingen
Abstract要約: fMRI-S4は、静止状態機能MRIから表現型と精神疾患を分類するための汎用的なディープラーニングモデルである。我々は,fMRI-S4が3つのタスクすべてにおいて既存の手法よりも優れており,各設定ごとに特別なパラメータ調整を行わずに,プラグ&プレイモデルとして訓練できることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Single-subject mapping of resting-state brain functional activity to non-imaging phenotypes is a major goal of neuroimaging. The large majority of learning approaches applied today rely either on static representations or on short-term temporal correlations. This is at odds with the nature of brain activity which is dynamic and exhibit both short- and long-range dependencies. Further, new sophisticated deep learning approaches have been developed and validated on single tasks/datasets. The application of these models for the study of a different targets typically require exhaustive hyperparameter search, model engineering and trial and error to obtain competitive results with simpler linear models. This in turn limit their adoption and hinder fair benchmarking in a rapidly developing area of research. To this end, we propose fMRI-S4; a versatile deep learning model for the classification of phenotypes and psychiatric disorders from the timecourses of resting-state functional magnetic resonance imaging scans. fMRI-S4 capture short- and long- range temporal dependencies in the signal using 1D convolutions and the recently introduced state-space models S4. The proposed architecture is lightweight, sample-efficient and robust across tasks/datasets. We validate fMRI-S4 on the tasks of diagnosing major depressive disorder (MDD), autism spectrum disorder (ASD) and sex classifcation on three multi-site rs-fMRI datasets. We show that fMRI-S4 can outperform existing methods on all three tasks and can be trained as a plug&play model without special hyperpararameter tuning for each setting
Abstract（参考訳）: 静止状態脳機能活性の非イメージング表現型へのシングルオブジェクトマッピングは、ニューロイメージングの大きな目標である。今日適用されている学習アプローチの大部分は、静的表現か、短期的時間的相関に頼っている。これは、動的で短距離と長距離の両方の依存関係を示す脳活動の性質と相反する。さらに、新しい高度なディープラーニングアプローチが開発され、単一のタスク/データセットで検証されている。これらのモデルの異なる対象の研究への応用は、通常、より単純な線形モデルで競合結果を得るのに、徹底的なハイパーパラメータ探索、モデル工学、試行錯誤を必要とする。これにより、彼らの採用が制限され、急速に発展する研究分野における公平なベンチマークが妨げられる。この目的のために, 静止状態機能磁気共鳴画像スキャンの時間軸から表現型と精神疾患を分類する汎用的な深層学習モデルfMRI-S4を提案する。 fMRI-S4は1D畳み込みと最近導入された状態空間モデルS4を用いて信号の短距離時間依存性をキャプチャする。提案されたアーキテクチャは軽量で、サンプル効率が高く、タスク/データセット間で堅牢である。重度抑うつ障害 (MDD) , 自閉症スペクトラム障害 (ASD) , 性差の診断におけるfMRI-S4の有用性を検討した。我々は、fMRI-S4が3つのタスクすべてにおいて既存のメソッドよりも優れており、各設定ごとに特別なパラメータ調整をすることなく、プラグ&プレイモデルとして訓練できることを示す。

関連論文リスト

A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。我々の推論速度は拡散法よりも1,400倍速い。
論文参考訳（メタデータ） (2024-10-05T20:03:57Z)
Machine Learning on Dynamic Functional Connectivity: Promise, Pitfalls, and Interpretations [7.013079422694949]
機能神経画像の深部モデル設計のための実証的ガイドラインの確立を目指す。 fMRIを用いた認知的タスク認識と疾患診断におけるSOTA(State-of-the-arts)のパフォーマンスはどのようなものか? 以上の課題に対処するため,様々な場面で総合的な評価と統計的分析を行った。
論文参考訳（メタデータ） (2024-09-17T17:24:17Z)
NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
論文参考訳（メタデータ） (2024-03-27T02:42:52Z)
Artificial Intelligence in Fetal Resting-State Functional MRI Brain Segmentation: A Comparative Analysis of 3D UNet, VNet, and HighRes-Net Models [1.2382905694337476]
本研究は、胎児脳fMRI, MRI(fMRI)における自動脳セグメンテーションのための人工知能(AI)の新たな応用を紹介した。 3D UNet、VNet、HighResNetの3つのAIモデルが採用された。以上の結果から,胎児の安静時fMRI脳セグメンテーションにおける各種AIモデルの性能が明らかにされた。
論文参考訳（メタデータ） (2023-11-17T19:57:05Z)
Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文参考訳（メタデータ） (2023-08-24T01:30:18Z)
CoRRECT: A Deep Unfolding Framework for Motion-Corrected Quantitative R2* Mapping [12.414040285543273]
CoRRECTは、定量的MRI(qMRI)のための統合深部展開(DU)フレームワークであるモデルベースのエンドツーエンドニューラルネットワーク、モーションアーティファクトリダクションの方法、自己教師型学習スキームで構成されている。実験で収集したmGRE(Multi-Gradient-Recalled Echo) MRIデータから,CoRRECTは高速な取得設定で動きと不均一なアーチファクトのないR2*マップを復元することを示した。
論文参考訳（メタデータ） (2022-10-12T15:49:51Z)
Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文参考訳（メタデータ） (2022-04-01T22:48:08Z)
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)
4D Spatio-Temporal Deep Learning with 4D fMRI Data for Autism Spectrum Disorder Classification [69.62333053044712]
ASD分類のための4次元畳み込み深層学習手法を提案する。 F1スコアは0.71、F1スコアは0.65であるのに対し、我々は4Dニューラルネットワークと畳み込みリカレントモデルを採用する。
論文参考訳（メタデータ） (2020-04-21T17:19:06Z)
Attend and Decode: 4D fMRI Task State Decoding Using Attention Models [2.6954666679827137]
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。
論文参考訳（メタデータ） (2020-04-10T21:29:34Z)
A Hybrid 3DCNN and 3DC-LSTM based model for 4D Spatio-temporal fMRI data: An ABIDE Autism Classification study [0.0]
本稿では,3次元CNNと3次元磁気LSTMを用いて,全4次元データから特徴を抽出できるエンドツーエンドアルゴリズムを提案する。提案手法は,NYUサイトとUMサイトにおいて,F1スコア0.78,0.7の単一サイトにおいて,技術結果の状態を達成できることを示す。
論文参考訳（メタデータ） (2020-02-14T11:52:00Z)

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。