論文の概要: Zero-shot Learning of Individualized Task Contrast Prediction from
Resting-state Functional Connectomes
- arxiv url: http://arxiv.org/abs/2310.14105v1
- Date: Sat, 21 Oct 2023 20:12:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 01:53:22.163830
- Title: Zero-shot Learning of Individualized Task Contrast Prediction from
Resting-state Functional Connectomes
- Title（参考訳）: 休息状態機能コネクトームによるタスクコントラスト予測のゼロショット学習
- Authors: Minh Nguyen, Gia H. Ngo, Mert R. Sabuncu
- Abstract要約: 機械学習モデルを用いて、安静時機能MRI(sfMRI)スキャンを用いて、主観的なタスク誘発活動を予測することができる。
RSfMRIスキャンは比較的容易に収集できるが、十分なタスクfMRIスキャンを得ることは、より複雑な実験設計や手順を必要とするため、はるかに困難である。
グループ平均コントラストを利用して、新規タスクのゼロショット予測を可能にすることにより、この依存を低減できることを示す。
- 参考スコア（独自算出の注目度）: 9.78824332635036
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Given sufficient pairs of resting-state and task-evoked fMRI scans from
subjects, it is possible to train ML models to predict subject-specific
task-evoked activity using resting-state functional MRI (rsfMRI) scans.
However, while rsfMRI scans are relatively easy to collect, obtaining
sufficient task fMRI scans is much harder as it involves more complex
experimental designs and procedures. Thus, the reliance on scarce paired data
limits the application of current techniques to only tasks seen during
training. We show that this reliance can be reduced by leveraging group-average
contrasts, enabling zero-shot predictions for novel tasks. Our approach, named
OPIC (short for Omni-Task Prediction of Individual Contrasts), takes as input a
subject's rsfMRI-derived connectome and a group-average contrast, to produce a
prediction of the subject-specific contrast. Similar to zero-shot learning in
large language models using special inputs to obtain answers for novel natural
language processing tasks, inputting group-average contrasts guides the OPIC
model to generalize to novel tasks unseen in training. Experimental results
show that OPIC's predictions for novel tasks are not only better than simple
group-averages, but are also competitive with a state-of-the-art model's
in-domain predictions that was trained using in-domain tasks' data.
- Abstract（参考訳）: 被験者からの安静状態とタスク誘発fMRIの十分なペアが与えられた場合、機械学習モデルを用いて、安静状態機能MRI(rsfMRI)スキャンを用いて、主観的なタスク誘発活動を予測することができる。
しかし、RSfMRIスキャンは比較的容易に収集できるが、より複雑な実験設計や手順を必要とするため、十分なタスクfMRIスキャンを得るのは難しい。
したがって、ペアの少ないデータへの依存は、トレーニング中に見られるタスクのみに現在のテクニックの適用を制限する。
グループ平均コントラストを活用し,新規タスクのゼロショット予測を可能にすることで,この信頼度を低減できることを示す。
我々のアプローチはOPIC(Omni-Task Prediction of individual Contrasts)と呼ばれ、被験者のrsfMRI由来のコネクトームとグループ平均コントラストを入力として、被験者固有のコントラストの予測を生成する。
特殊入力を用いた大規模言語モデルのゼロショット学習と同様に、グループ平均コントラストの入力はOPICモデルを学習時に見つからない新しいタスクに一般化するためのガイドとなる。
実験結果から,新しいタスクに対するOPICの予測は,単純なグループ体験よりも優れているだけでなく,ドメイン内タスクのデータを用いてトレーニングされた最先端モデルのドメイン内予測と競合することが示された。
関連論文リスト
- Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement
Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。
本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。
本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文 参考訳（メタデータ） (2023-10-06T10:40:46Z) - Self-Supervised Pre-Training with Contrastive and Masked Autoencoder
Methods for Dealing with Small Datasets in Deep Learning for Medical Imaging [8.34398674359296]
医用画像の深層学習は、診断ミスのリスクを最小限に抑え、放射線医の作業量を減らし、診断を加速する可能性がある。
このようなディープラーニングモデルのトレーニングには,すべてのトレーニングサンプルに対するアノテーションを備えた,大規模かつ正確なデータセットが必要です。
この課題に対処するために、ディープラーニングモデルは、自己教師付き学習の分野からのメソッドを使用してアノテーションなしで、大規模な画像データセット上で事前トレーニングすることができる。
論文 参考訳（メタデータ） (2023-08-12T11:31:01Z) - Multi-Level Contrastive Learning for Dense Prediction Task [59.591755258395594]
本稿では,高密度予測タスクのための領域レベルの特徴表現を効率よく学習するための,MCL(Multi-Level Contrastive Learning for Dense Prediction Task)を提案する。
本手法は, 局所化, スケールの整合性, 認識の3つの要因に動機付けられている。
提案手法は,様々なデータセットにおける最近の最先端の手法よりも有意なマージンを有する。
論文 参考訳（メタデータ） (2023-04-04T17:59:04Z) - Vision-Language Modelling For Radiological Imaging and Reports In The
Low Data Regime [70.04389979779195]
本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。
本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。
テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
論文 参考訳（メタデータ） (2023-03-30T18:20:00Z) - Learning to Exploit Temporal Structure for Biomedical Vision-Language
Processing [53.89917396428747]
視覚言語処理における自己教師あり学習は、画像とテキストのモダリティのセマンティックアライメントを利用する。
トレーニングと微調整の両方で利用できる場合、事前のイメージとレポートを明示的に説明します。
我々のアプローチはBioViL-Tと呼ばれ、テキストモデルと共同で訓練されたCNN-Transformerハイブリッドマルチイメージエンコーダを使用する。
論文 参考訳（メタデータ） (2023-01-11T16:35:33Z) - Centroids Matching: an efficient Continual Learning approach operating
in the embedding space [15.705568893476947]
破滅的な忘れ(CF)は、ニューラルネットワークが、異なる分布からサンプルのセットをトレーニングしながら、以前に学んだ情報を失うときに起こる。
本稿では,ニューラルネットワークが生成する特徴空間を演算することでCFと戦う,Centroids Matchingと呼ばれる新しい正規化手法を提案する。
論文 参考訳（メタデータ） (2022-08-03T13:17:16Z) - Uni-Perceiver: Pre-training Unified Architecture for Generic Perception
for Zero-shot and Few-shot Tasks [73.63892022944198]
我々はUni-Perceiverという汎用認識アーキテクチャを提案する。
様々なモダリティやタスクを、統一されたモデリングと共有パラメータで処理します。
その結果、チューニングなしで事前学習したモデルは、新しいタスクでも合理的なパフォーマンスを達成できることがわかった。
論文 参考訳（メタデータ） (2021-12-02T18:59:50Z) - Zero-Shot Self-Supervised Learning for MRI Reconstruction [4.542616945567623]
そこで本研究では,ゼロショット型自己教師型学習手法を提案する。
提案手法は、単一のスキャンから利用可能な測定値を3つの解離集合に分割する。
画像特性の異なるデータベース上に事前学習されたモデルが存在する場合,提案手法は変換学習と組み合わせることで,より高速な収束時間と計算複雑性の低減を実現することができることを示す。
論文 参考訳（メタデータ） (2021-02-15T18:34:38Z) - Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。
MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。
ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。
本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
論文 参考訳（メタデータ） (2020-10-24T08:50:26Z) - From Connectomic to Task-evoked Fingerprints: Individualized Prediction
of Task Contrasts from Resting-state Functional Connectivity [17.020869686284165]
Resting-state functional MRI (rsfMRI) は、個人の認知指紋として機能する機能的コネクトームを産生する。
静止状態の指紋から個々のタスクのコントラストを予測するために,面ベース畳み込みニューラルネットワーク(BrainSurfCNN)モデルを提案する。
論文 参考訳（メタデータ） (2020-08-07T02:44:16Z)
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。