Fugu-MT 論文翻訳(概要): Through their eyes: multi-subject Brain Decoding with simple alignment techniques

論文の概要: Through their eyes: multi-subject Brain Decoding with simple alignment techniques

arxiv url: http://arxiv.org/abs/2309.00627v1
Date: Tue, 1 Aug 2023 16:07:22 GMT
ステータス: 処理完了
システム内更新日: 2023-10-23 11:33:43.578180
Title: Through their eyes: multi-subject Brain Decoding with simple alignment techniques
Title（参考訳）: 目を通して:単純なアライメント技術によるマルチサブジェクト脳デコード
Authors: Matteo Ferrante, Tommaso Boccato, Nicola Toschi
Abstract要約: クロスオブジェクトの脳の復号化は可能で、総データの約10%、または982の共通画像を使っても実現可能である。これにより、より効率的な実験や、この分野のさらなる進歩の道が開ける可能性がある。
参考スコア（独自算出の注目度）: 0.13812010983144798
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Previous brain decoding research primarily involves single-subject studies, reconstructing stimuli via fMRI activity from the same subject. Our study aims to introduce a generalization technique for cross-subject brain decoding, facilitated by exploring data alignment methods. We utilized the NSD dataset, a comprehensive 7T fMRI vision experiment involving multiple subjects exposed to 9841 images, 982 of which were viewed by all. Our approach involved training a decoding model on one subject, aligning others' data to this space, and testing the decoding on the second subject. We compared ridge regression, hyper alignment, and anatomical alignment techniques for fMRI data alignment. We established that cross-subject brain decoding is feasible, even using around 10% of the total data, or 982 common images, with comparable performance to single-subject decoding. Ridge regression was the best method for functional alignment. Through subject alignment, we achieved superior brain decoding and a potential 90% reduction in scan time. This could pave the way for more efficient experiments and further advancements in the field, typically requiring an exorbitant 20-hour scan time per subject.
Abstract（参考訳）: これまでの脳の復号化の研究は、主に単一物体の研究で、同じ被験者からのfMRI活動を通して刺激を再構成する。本研究の目的は,データアライメント手法の探索によるクロスオブジェクト脳デコーディングの一般化手法の導入である。 NSDデータセットは, 9841画像に曝露した複数の被験者を対象に, 総合的な7T fMRIビジョン実験である。提案手法では,ある科目で復号モデルを訓練し,他の科目でデータをこの領域に整列させ,第2科目で復号テストを行った。我々は,fMRIデータアライメントのための隆起回帰,ハイパーアライメント,解剖学的アライメント技術を比較した。我々は、全データの約10%、または982の共通画像を用いても、クロスオブジェクトの脳デコーディングが実現可能であることを確立し、シングルオブジェクトの脳デコーディングに匹敵する性能を示した。リッジ回帰は機能的アライメントの最良の方法であった。被験者のアライメントにより,優れた脳デコードとスキャン時間の90%削減が得られた。これにより、より効率的な実験やフィールドのさらなる進歩の道を開くことができ、典型的には被検者1人当たり20時間の走査時間を必要とする。

関連論文リスト

Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文参考訳（メタデータ） (2024-07-31T04:32:43Z)
MindEye2: Shared-Subject Models Enable fMRI-To-Image With 1 Hour of Data [3.4519044254894515]
この研究は、1時間分のfMRIトレーニングデータを使用して高品質な再構成を行う。 MindEye2は、MRI施設への単一の訪問から、いかに正確に知覚の再構築が可能かを実証する。
論文参考訳（メタデータ） (2024-03-17T13:15:22Z)
Aligning brain functions boosts the decoding of visual semantics in novel subjects [3.226564454654026]
脳の反応をビデオや静止画像に合わせることで脳の復号化を促進することを提案する。提案手法はオブジェクト外デコード性能を最大75%向上させる。また、テスト対象者に対して100分未満のデータが得られる場合、古典的な単一オブジェクトアプローチよりも優れています。
論文参考訳（メタデータ） (2023-12-11T15:55:20Z)
Brain-ID: Learning Contrast-agnostic Anatomical Representations for Brain Imaging [11.06907516321673]
脳画像のための解剖学的表現学習モデルであるBrain-IDを導入する。提案された"Mild-to-Severe"イントラオブジェクト生成により、Brain-IDは被験者固有の脳解剖に対して堅牢である。本稿では,物体内および物体間ロバスト性を評価するための新しい指標を提案し,その性能を4つの下流アプリケーションで評価する。
論文参考訳（メタデータ） (2023-11-28T16:16:10Z)
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)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial Intelligence Developed for Brain [0.8376091455761259]
ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
論文参考訳（メタデータ） (2022-08-30T16:06:07Z)
Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文参考訳（メタデータ） (2022-01-07T07:46:01Z)
Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class Classification [0.6117371161379209]
我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
論文参考訳（メタデータ） (2021-06-14T12:19:27Z)
Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文参考訳（メタデータ） (2020-10-14T16:50:50Z)
Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文参考訳（メタデータ） (2020-09-28T18:30:14Z)

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。