論文の概要: Metadata-Conditioned Generative Models to Synthesize Anatomically-Plausible 3D Brain MRIs

• arxiv url: http://arxiv.org/abs/2310.04630v1
• Date: Sat, 7 Oct 2023 00:05:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 17:11:12.649314
• Title: Metadata-Conditioned Generative Models to Synthesize Anatomically-Plausible 3D Brain MRIs
• Title（参考訳）: anatomically-plausible 3d brain mri合成のためのメタデータ条件付き生成モデル
• Authors: Wei Peng, Tomas Bosschieter, Jiahong Ouyang, Robert Paul, Ehsan Adeli, Qingyu Zhao, Kilian M. Pohl
• Abstract要約: 本稿では, メタデータ条件付きMRI(例えば, 年齢, 性別別MRI)を合成するための新しい生成モデルであるBrain Synthを提案する。 以上の結果から, 合成MRIの脳領域の半数以上が解剖学的に正確であり, 実際のMRIと合成MRIの差は小さいことが示唆された。 われわれの合成MRIは畳み込みニューラルネットワークのトレーニングを大幅に改善し、加速度的老化効果を同定する。
• 参考スコア（独自算出の注目度）: 12.492451825171408
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Generative AI models hold great potential in creating synthetic brain MRIs that advance neuroimaging studies by, for example, enriching data diversity. However, the mainstay of AI research only focuses on optimizing the visual quality (such as signal-to-noise ratio) of the synthetic MRIs while lacking insights into their relevance to neuroscience. To gain these insights with respect to T1-weighted MRIs, we first propose a new generative model, BrainSynth, to synthesize metadata-conditioned (e.g., age- and sex-specific) MRIs that achieve state-of-the-art visual quality. We then extend our evaluation with a novel procedure to quantify anatomical plausibility, i.e., how well the synthetic MRIs capture macrostructural properties of brain regions, and how accurately they encode the effects of age and sex. Results indicate that more than half of the brain regions in our synthetic MRIs are anatomically accurate, i.e., with a small effect size between real and synthetic MRIs. Moreover, the anatomical plausibility varies across cortical regions according to their geometric complexity. As is, our synthetic MRIs can significantly improve the training of a Convolutional Neural Network to identify accelerated aging effects in an independent study. These results highlight the opportunities of using generative AI to aid neuroimaging research and point to areas for further improvement.
• Abstract（参考訳）: 生成型AIモデルは、例えばデータの多様性を豊かにする神経画像研究を促進する合成脳MRIを作成する大きな可能性を秘めている。 しかし、AI研究の主目的は、合成MRIの視覚的品質(信号対雑音比など)を最適化することのみであり、その神経科学との関連性についての洞察を欠いている。 T1強調MRIについてこれらの知見を得るため、我々はまず、最先端の視覚的品質を実現するメタデータ条件付きMRI(例えば、年齢および性別特化MRI)を合成する新しい生成モデルBrainSynthを提案する。 次に,脳領域のマクロ構造特性を合成mriがいかにうまく捉えられるか,年齢や性別の影響をいかに正確にエンコードするかなど,解剖学的妥当性を定量化するための新しい手法を用いて評価を拡張した。 その結果、人工mriの脳領域の半分以上は解剖学的に正確であり、リアルmriと合成mriの間の効果は小さいことがわかった。 さらに、解剖学的妥当性は、その幾何学的複雑さに応じて皮質領域によって異なる。 現在、我々の合成MRIは畳み込みニューラルネットワークのトレーニングを大幅に改善し、独立研究における加速老化効果を同定することができる。 これらの結果は、生成AIを用いて神経画像研究を支援し、さらなる改善のための領域を指し示す機会を浮き彫りにする。

関連論文リスト

• NeuroBOLT: Resting-state EEG-to-fMRI Synthesis with Multi-dimensional Feature Mapping [9.423808859117122]
  我々は,脳内のfMRI活動信号に生の脳波データを変換するためにNeuroBOLT,すなわちNeuro-to-BOLD Transformerを導入する。 実験の結果,NeuroBOLTは一次感覚野,高レベル認知領域,深部皮質下脳領域から観測不能なfMRI信号を効果的に再構成することがわかった。
  論文  参考訳（メタデータ） (2024-10-07T02:47:55Z)
• Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
  マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。 現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。 テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
  論文  参考訳（メタデータ） (2024-09-25T11:14:47Z)
• Teaching CORnet Human fMRI Representations for Enhanced Model-Brain Alignment [2.035627332992055]
  認知神経科学において広く用いられる技術として機能的磁気共鳴イメージング(fMRI)は、視覚知覚の過程における人間の視覚野の神経活動を記録することができる。 本研究では,SOTAビジョンモデルCORnetに基づくモデルであるReAlnet-fMRIを提案する。 fMRIを最適化したReAlnet-fMRIは、CORnetと制御モデルの両方においてヒトの脳との類似性が高く、また、内・内・対モダリティモデル脳(fMRI、EEG)も高い類似性を示した。
  論文  参考訳（メタデータ） (2024-07-15T03:31:42Z)
• 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)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• Improving cross-domain brain tissue segmentation in fetal MRI with synthetic data [1.1936126505067601]
  胎児脳MRIにおける領域ランダム化手法であるFetal SynthSegを紹介する。 以上の結果から,合成データのみにトレーニングされたモデルは,実データにトレーニングされたモデルよりも優れていた。 評価は低磁場(0.55T)MRIで得られた40例に拡張し,新しいSRモデルを用いて再構成した。
  論文  参考訳（メタデータ） (2024-03-22T10:42:25Z)
• SynthBrainGrow: Synthetic Diffusion Brain Aging for Longitudinal MRI Data Generation in Young People [0.49478969093606673]
  合成長手脳MRIは、脳の老化をシミュレートし、神経発達と神経変性の条件についてより効率的な研究を可能にする。 人工脳老化のための拡散型アプローチであるSynthBrainGrowを2年連続で提案する。 以上の結果から,SynthBrainGrowは細部構造を正確に把握し,心室拡張や大脳皮質の薄化などの構造変化をシミュレートできることがわかった。
  論文  参考訳（メタデータ） (2024-02-22T20:47:40Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• 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)
• Cross-Modality Neuroimage Synthesis: A Survey [71.27193056354741]
  マルチモダリティイメージングは、疾患の診断を改善し、解剖学的特性を持つ組織における相違を明らかにする。 完全な整列とペアの多モードニューロイメージングデータの存在は、脳研究においてその効果を証明している。 もう一つの解決策は、教師なしまたは弱教師なしの学習方法を探究し、欠落した神経画像データを合成することである。
  論文  参考訳（メタデータ） (2022-02-14T19:29:08Z)
• Functional Magnetic Resonance Imaging data augmentation through conditional ICA [44.483210864902304]
  本稿では,高速機能型磁気共鳴イメージング(fMRI)データ拡張技術である条件独立成分分析(Conditional ICA)を紹介する。 本研究では,コンディショナルICAが観測不可能なデータの合成に成功しており,脳の復号化問題における分類精度の向上が期待できることを示す。
  論文  参考訳（メタデータ） (2021-07-11T22:36:14Z)

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。