論文の概要: Inferring latent neural sources via deep transcoding of simultaneously acquired EEG and fMRI

• arxiv url: http://arxiv.org/abs/2212.02226v1
• Date: Sun, 27 Nov 2022 23:44:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 12:50:51.091301
• Title: Inferring latent neural sources via deep transcoding of simultaneously acquired EEG and fMRI
• Title（参考訳）: 同時取得脳波とfMRIの深部変換による潜時神経源推定
• Authors: Xueqing Liu, Tao Tu, Paul Sajda
• Abstract要約: 同時脳波-fMRIは、相補的な空間分解能と時間分解能を提供する神経イメージング技術である。 脳波をfMRIに変換する環状畳み込みトランスコーダからなる対称的手法を開発した。 シミュレーションデータと実脳波-fMRIデータの両方に対して、モーダルがいかにうまく変換できるかを定量化する。
• 参考スコア（独自算出の注目度）: 12.588880677192975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simultaneous EEG-fMRI is a multi-modal neuroimaging technique that provides complementary spatial and temporal resolution. Challenging has been developing principled and interpretable approaches for fusing the modalities, specifically approaches enabling inference of latent source spaces representative of neural activity. In this paper, we address this inference problem within the framework of transcoding -- mapping from a specific encoding (modality) to a decoding (the latent source space) and then encoding the latent source space to the other modality. Specifically, we develop a symmetric method consisting of a cyclic convolutional transcoder that transcodes EEG to fMRI and vice versa. Without any prior knowledge of either the hemodynamic response function or lead field matrix, the complete data-driven method exploits the temporal and spatial relationships between the modalities and latent source spaces to learn these mappings. We quantify, for both the simulated and real EEG-fMRI data, how well the modalities can be transcoded from one to another as well as the source spaces that are recovered, all evaluated on unseen data. In addition to enabling a new way to symmetrically infer a latent source space, the method can also be seen as low-cost computational neuroimaging -- i.e. generating an 'expensive' fMRI BOLD image from 'low cost' EEG data.
• Abstract（参考訳）: 同時脳波-fMRIは相補的空間分解能と時間分解能を提供するマルチモーダル・ニューロイメージング技術である。 課題は、モダリティを融合するための原理的かつ解釈可能なアプローチ、特に神経活動を表す潜在源空間の推論を可能にするアプローチの開発である。 本稿では、この推論問題を、特定の符号化(モダリティ)からデコーディング(潜在ソース空間)へマッピングし、遅延ソース空間を他のモダリティに符号化するという、トランスコーディングの枠組みの中で解決する。 具体的には,eegをfmriに変換する循環畳み込みトランスコーダからなる対称的手法を開発した。 血行力学的応答関数またはリードフィールド行列の事前の知識がなければ、完全なデータ駆動法は、モダリティと潜在源空間の間の時間的および空間的関係を利用してこれらのマッピングを学ぶ。 シミュレーションデータと実脳波-fMRIデータの両方に対して、モダリティが相互にどの程度うまく変換されるか、また、復元されるソース空間が不明瞭なデータに基づいて評価されるかを定量化する。 遅延ソース空間を対称的に推論する新しい方法を可能にすることに加えて、この手法は低コストの計算ニューロイメージング、すなわち低コストの脳波データから「拡張的」fMRI BOLD画像を生成することができる。

関連論文リスト

• A Steerable Deep Network for Model-Free Diffusion MRI Registration [4.813333335683418]
  原拡散MRIデータの非厳密な登録のための新しい深層学習フレームワークを提案する。 この研究は、データ駆動型幾何対応のdMRI登録の基盤を、取得空間で直接確立する。
  論文  参考訳（メタデータ） (2025-01-08T19:18:44Z)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• Disentangled Multimodal Brain MR Image Translation via Transformer-based Modality Infuser [12.402947207350394]
  マルチモーダル脳MR画像の合成を目的としたトランスフォーマーを用いたモダリティインジェクタを提案する。 本手法では,エンコーダからモダリティに依存しない特徴を抽出し,その特徴をモダリティ固有の特徴に変換する。 われわれはBraTS 2018データセットで4つのMRモードを変換する実験を行った。
  論文  参考訳（メタデータ） (2024-02-01T06:34:35Z)
• A Compact Implicit Neural Representation for Efficient Storage of Massive 4D Functional Magnetic Resonance Imaging [14.493622422645053]
  fMRI圧縮は、複雑な時間的ダイナミクス、低信号-雑音比、複雑な基礎的冗長性のために、ユニークな課題を生んでいる。 Inlicit Neural Representation (INR)に基づくfMRIデータに適した新しい圧縮パラダイムについて報告する。
  論文  参考訳（メタデータ） (2023-11-30T05:54:37Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• Joint fMRI Decoding and Encoding with Latent Embedding Alignment [77.66508125297754]
  我々はfMRIデコーディングと符号化の両方に対処する統合フレームワークを導入する。 本モデルでは、fMRI信号から視覚刺激を同時に回復し、統合された枠組み内の画像から脳活動を予測する。
  論文  参考訳（メタデータ） (2023-03-26T14:14:58Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• 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)
• Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
  複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。 本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。 実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
  論文  参考訳（メタデータ） (2021-10-07T14:03:00Z)
• Latent neural source recovery via transcoding of simultaneous EEG-fMRI [6.450549412132897]
  同時脳波-fMRIは神経活動の遅延源空間を推定するための空間的および時間的分解能を提供する。 脳波をfMRIに変換する環状畳み込みトランスコーダからなる対称的手法を開発した。 実際の脳波-fMRIデータに対して、モーダル性は、回復されるソース空間だけでなく、相互にどの程度うまく変換できるかを示す。
  論文  参考訳（メタデータ） (2020-10-05T17:17:29Z)

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。