Fugu-MT 論文翻訳(概要): Multi-pooling 3D Convolutional Neural Network for fMRI Classification of Visual Brain States

論文の概要: Multi-pooling 3D Convolutional Neural Network for fMRI Classification of Visual Brain States

arxiv url: http://arxiv.org/abs/2303.14391v1
Date: Sat, 25 Mar 2023 07:54:51 GMT
ステータス: 処理完了
システム内更新日: 2023-03-28 20:01:11.686851
Title: Multi-pooling 3D Convolutional Neural Network for fMRI Classification of Visual Brain States
Title（参考訳）: マルチプール型3次元畳み込みニューラルネットワークによる脳のfmri分類
Authors: Zhen Zhang, Masaki Takeda and Makoto Iwata
Abstract要約: 本稿では,fMRI分類精度を向上させるために,マルチプール3次元畳み込みニューラルネットワーク(MP3DCNN)を提案する。 MP3DCNNは主に3層3DCNNで構成されており、3D畳み込みの第1層と第2層はそれぞれプール接続の分岐を持つ。
参考スコア（独自算出の注目度）: 3.19429184376611
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Neural decoding of visual object classification via functional magnetic resonance imaging (fMRI) data is challenging and is vital to understand underlying brain mechanisms. This paper proposed a multi-pooling 3D convolutional neural network (MP3DCNN) to improve fMRI classification accuracy. MP3DCNN is mainly composed of a three-layer 3DCNN, where the first and second layers of 3D convolutions each have a branch of pooling connection. The results showed that this model can improve the classification accuracy for categorical (face vs. object), face sub-categorical (male face vs. female face), and object sub-categorical (natural object vs. artificial object) classifications from 1.684% to 14.918% over the previous study in decoding brain mechanisms.
Abstract（参考訳）: 機能的磁気共鳴画像(fMRI)データによる視覚物体分類の神経復号化は困難であり、基礎となる脳機構を理解する上で不可欠である。本稿では,fMRI分類精度を向上させるために,マルチプール3次元畳み込みニューラルネットワーク(MP3DCNN)を提案する。 MP3DCNNは主に3層3DCNNで構成されており、3D畳み込みの第1層と第2層はそれぞれプール接続の分岐を持つ。以上の結果から, 顔と顔の分類精度, 顔のサブカテゴリー (男性と女性) , 対象のサブカテゴリー (自然物と人工物) の分類精度は, 脳機構の復号化研究よりも1.684%から14.918%向上することが示唆された。

関連論文リスト

Self-Supervised Pretext Tasks for Alzheimer's Disease Classification using 3D Convolutional Neural Networks on Large-Scale Synthetic Neuroimaging Dataset [11.173478552040441]
アルツハイマー病(Alzheimer's Disease, AD)は、脳の局所的および広範な神経変性を誘導する疾患である。本研究では、下流ADとCN分類のための特徴抽出器を訓練するための教師なし手法をいくつか評価した。
論文参考訳（メタデータ） (2024-06-20T11:26:32Z)
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)
Decomposing 3D Neuroimaging into 2+1D Processing for Schizophrenia Recognition [25.80846093248797]
我々は2+1Dフレームワークで3Dデータを処理し、巨大なImageNetデータセット上に事前トレーニングされた強力な2D畳み込みニューラルネットワーク(CNN)ネットワークを利用して3Dニューロイメージング認識を実現することを提案する。特に3次元磁気共鳴イメージング(MRI)の計測値は、隣接するボクセル位置に応じて2次元スライスに分解される。グローバルプーリングは、アクティベーションパターンが機能マップ上にわずかに分散されているため、冗長な情報を除去するために適用される。 2次元CNNモデルにより処理されていない3次元の文脈情報を集約するために,チャネルワイドおよびスライスワイズ畳み込みを提案する。
論文参考訳（メタデータ） (2022-11-21T15:22:59Z)
Mental arithmetic task classification with convolutional neural network based on spectral-temporal features from EEG [0.47248250311484113]
ディープニューラルネットワーク(DNN)は、コンピュータビジョンアプリケーションにおいて大きな優位性を示している。ここでは、主に2つの畳み込みニューラルネットワーク層を使用し、比較的少ないパラメータと高速で脳波からスペクトル時間的特徴を学習する浅層ニューラルネットワークを提案する。実験の結果、浅いCNNモデルは他の全てのモデルより優れており、最高分類精度は90.68%に達した。
論文参考訳（メタデータ） (2022-09-26T02:15:22Z)
View-Disentangled Transformer for Brain Lesion Detection [50.4918615815066]
より正確な腫瘍検出のためのMRI特徴抽出のための新しいビューディペンタングル変換器を提案する。まず, 3次元脳スキャンにおいて, 異なる位置の長距離相関を求める。第二に、トランスフォーマーはスライス機能のスタックを複数の2Dビューとしてモデル化し、これらの機能をビュー・バイ・ビューとして拡張する。第三に、提案したトランスモジュールをトランスのバックボーンに展開し、脳病変を取り巻く2D領域を効果的に検出する。
論文参考訳（メタデータ） (2022-09-20T11:58:23Z)
Multi-Classification of Brain Tumor Images Using Transfer Learning Based Deep Neural Network [0.5893124686141781]
本稿では,脳腫瘍画像の分類精度を伝達学習に基づくディープニューラルネットワークを用いて高めることに焦点を当てた。提案モデルでは,既存の複数分類法に比べて精度が96.25%向上した。
論文参考訳（メタデータ） (2022-06-17T04:30:40Z)
Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
論文参考訳（メタデータ） (2021-12-02T12:45:46Z)
3D Convolutional Neural Networks for Stalled Brain Capillary Detection [72.21315180830733]
脳毛細血管の血流停止などの脳血管障害は、アルツハイマー病の認知機能低下と病態形成と関連している。本稿では,3次元畳み込みニューラルネットワークを用いた脳画像中の毛細血管の自動検出のための深層学習に基づくアプローチについて述べる。本手法は,他の手法よりも優れ,0.85マシューズ相関係数,85%感度,99.3%特異性を達成した。
論文参考訳（メタデータ） (2021-04-04T20:30:14Z)
Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文参考訳（メタデータ） (2021-01-18T13:28:08Z)
Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
論文参考訳（メタデータ） (2020-06-20T17:56:46Z)
Brain MRI-based 3D Convolutional Neural Networks for Classification of Schizophrenia and Controls [25.80846093248797]
畳み込みニューラルネットワーク(CNN)は、自然画像と医用画像の両方の分類に成功している。我々は3D CNNモデルを構築し、その性能を手作りの機能ベースの機械学習アプローチと比較した。 CNNモデルは手作りの特徴ベース機械学習よりも高いクロスバリデーション精度を達成した。
論文参考訳（メタデータ） (2020-03-14T10:05:21Z)

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。