論文の概要: Aligning brain functions boosts the decoding of visual semantics in novel subjects

• arxiv url: http://arxiv.org/abs/2312.06467v1
• Date: Mon, 11 Dec 2023 15:55:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 15:08:41.093575
• Title: Aligning brain functions boosts the decoding of visual semantics in novel subjects
• Title（参考訳）: 脳機能の協調は視覚セマンティクスのデコードを促進する
• Authors: Alexis Thual, Yohann Benchetrit, Felix Geilert, J\'er\'emy Rapin, Iurii Makarov, Hubert Banville, Jean-R\'emi King
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.226564454654026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning is leading to major advances in the realm of brain decoding from functional Magnetic Resonance Imaging (fMRI). However, the large inter-subject variability in brain characteristics has limited most studies to train models on one subject at a time. Consequently, this approach hampers the training of deep learning models, which typically requires very large datasets. Here, we propose to boost brain decoding by aligning brain responses to videos and static images across subjects. Compared to the anatomically-aligned baseline, our method improves out-of-subject decoding performance by up to 75%. Moreover, it also outperforms classical single-subject approaches when fewer than 100 minutes of data is available for the tested subject. Furthermore, we propose a new multi-subject alignment method, which obtains comparable results to that of classical single-subject approaches while improving out-of-subject generalization. Finally, we show that this method aligns neural representations in accordance with brain anatomy. Overall, this study lays the foundations for leveraging extensive neuroimaging datasets and enhancing the decoding of individuals with a limited amount of brain recordings.
• Abstract（参考訳）: 深層学習は、機能的磁気共鳴イメージング(fMRI)から脳のデコード領域における大きな進歩につながっている。 しかし、脳特性のサブジェクト間変動が大きいため、ほとんどの研究は一度に一つの被験者でモデルを訓練することに限られている。 その結果、このアプローチは、通常非常に大きなデータセットを必要とするディープラーニングモデルのトレーニングを妨げます。 本稿では,被験者の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。 解剖学的に整合したベースラインと比較して,本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。 さらに、テスト対象に100分以下のデータがある場合、従来のシングルサブジェクトアプローチよりも優れています。 さらに,従来の単目的手法に匹敵する結果を得るとともに,対象外一般化を改善した新しい多目的アライメント手法を提案する。 最後に,本手法は,脳解剖学に従って神経表現を整列することを示す。 本研究は、広範にわたる脳画像データセットの活用と、限られた量の脳記録を持つ個体の復号化の促進の基礎を築いた。

関連論文リスト

• MindAligner: Explicit Brain Functional Alignment for Cross-Subject Visual Decoding from Limited fMRI Data [64.92867794764247]
  MindAlignerは、限られたfMRIデータからのクロスオブジェクト脳デコーディングのためのフレームワークである。 脳伝達マトリックス(BTM)は、任意の新しい被験者の脳信号を既知の被験者の1人に投射する。 脳機能アライメントモジュールは、異なる視覚刺激下で軟質なクロスオブジェクト脳アライメントを実行するために提案されている。
  論文  参考訳（メタデータ） (2025-02-07T16:01:59Z)
• 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)
• BrainSegFounder: Towards 3D Foundation Models for Neuroimage Segmentation [6.5388528484686885]
  本研究は,医療基盤モデルの創出に向けた新しいアプローチを紹介する。 本稿では,視覚変換器を用いた2段階事前学習手法を提案する。 BrainFounderは、これまでの勝利ソリューションの成果を上回る、大幅なパフォーマンス向上を実演している。
  論文  参考訳（メタデータ） (2024-06-14T19:49:45Z)
• 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)
• 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)
• 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)
• Through their eyes: multi-subject Brain Decoding with simple alignment techniques [0.13812010983144798]
  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。
  論文  参考訳（メタデータ） (2023-08-01T16:07:22Z)
• Synthetic magnetic resonance images for domain adaptation: Application to fetal brain tissue segmentation [0.0]
  FaBiANを用いて、胎児の脳の様々な現実的な磁気共鳴画像と、そのクラスラベルをシミュレートする。 本研究では,これらの合成アノテートデータを低コストで生成し,さらにターゲット超解像法を用いて再構成することにより,深層学習手法のドメイン適応に成功できることを実証する。 全体として、特に皮質灰白質、白質、小脳、深い灰白質、脳幹において、セグメンテーションの精度が著しく向上する。
  論文  参考訳（メタデータ） (2021-11-08T13:22:14Z)
• Model-based analysis of brain activity reveals the hierarchy of language in 305 subjects [82.81964713263483]
  言語の神経基盤を分解する一般的なアプローチは、個人間で異なる刺激に対する脳の反応を関連付けている。 そこで本研究では,自然刺激に曝露された被験者に対して,モデルに基づくアプローチが等価な結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-12T15:30:21Z)
• Deep Recurrent Encoder: A scalable end-to-end network to model brain signals [122.1055193683784]
  複数の被験者の脳応答を一度に予測するために訓練されたエンドツーエンドのディープラーニングアーキテクチャを提案する。 1時間の読解作業で得られた大脳磁図(meg)記録を用いて,このアプローチを検証した。
  論文  参考訳（メタデータ） (2021-03-03T11:39:17Z)

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。