論文の概要: Mitigating analytical variability in fMRI results with style transfer

• arxiv url: http://arxiv.org/abs/2404.03703v2
• Date: Mon, 16 Sep 2024 08:43:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-18 02:35:35.516631
• Title: Mitigating analytical variability in fMRI results with style transfer
• Title（参考訳）: スタイル伝達を伴うfMRIにおける解析的変動の緩和
• Authors: Elodie Germani, Camille Maumet, Elisa Fromont,
• Abstract要約: 我々は、fMRI統計マップの計算に使用されるパイプラインを、スタイルコンポーネントとみなすことができると仮定する。 本稿では,GAN(Generative Adversarial Networks)とDiffusion Models(Diffusion Models)の2つの生成モデルを用いて,パイプライン間の統計マップの変換を提案する。
• 参考スコア（独自算出の注目度）: 0.9217021281095907
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a novel approach to improve the reproducibility of neuroimaging results by converting statistic maps across different functional MRI pipelines. We make the assumption that pipelines used to compute fMRI statistic maps can be considered as a style component and we propose to use different generative models, among which, Generative Adversarial Networks (GAN) and Diffusion Models (DM) to convert statistic maps across different pipelines. We explore the performance of multiple GAN frameworks, and design a new DM framework for unsupervised multi-domain styletransfer. We constrain the generation of 3D fMRI statistic maps using the latent space of an auxiliary classifier that distinguishes statistic maps from different pipelines and extend traditional sampling techniques used in DM to improve the transition performance. Our experiments demonstrate that our proposed methods aresuccessful: pipelines can indeed be transferred as a style component, providing animportant source of data augmentation for future medical studies.
• Abstract（参考訳）: 本稿では,異なる機能的MRIパイプライン間で統計マップを変換することで,ニューロイメージング結果の再現性を向上させる新しい手法を提案する。 我々は,fMRI統計マップの計算に使用されるパイプラインをスタイルコンポーネントとみなすことができると仮定し,GAN(Generative Adversarial Networks)とDM(Diffusion Models)という,異なる生成モデルを用いて,異なるパイプラインをまたいだ統計マップを変換する手法を提案する。 我々は、複数のGANフレームワークの性能について検討し、教師なしマルチドメインスタイルトランスファーのための新しいDMフレームワークを設計する。 我々は,異なるパイプラインから統計マップを識別する補助分類器の潜在空間を用いた3次元fMRI統計マップの生成を制約し,DMにおける従来のサンプリング手法を拡張して遷移性能を向上させる。 パイプラインは実際にスタイルコンポーネントとして転送可能であり、将来の医学研究に重要なデータ拡張源を提供する。

関連論文リスト

• MRI Parameter Mapping via Gaussian Mixture VAE: Breaking the Assumption of Independent Pixels [3.720246718519987]
  我々はMRIにおける定量的パラメータマッピングの新しいパラダイムを導入し、実証する。 独立画素の仮定を破る自己教師型深部変分法を提案する。 そこで本手法は,dMRIやqMRIなどのパラメータマッピング手法の臨床応用を支援することができる。
  論文  参考訳（メタデータ） (2024-11-16T11:11:36Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• JUMP: A joint multimodal registration pipeline for neuroimaging with minimal preprocessing [1.3549498237473223]
  予備処理が最小限に抑えられた無バイアスで頑健な神経画像モダリティ登録のためのパイプラインを提案する。 パイプラインは現在、構造MRI、静止状態fMRI、アミロイドPET画像で動作する。 ケースコントロール研究で得られたバイオマーカーの予測力を示し、異なる画像のモダリティ間の相互関係について検討する。
  論文  参考訳（メタデータ） (2024-01-25T15:40:19Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
  圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。 拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。 本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
  論文  参考訳（メタデータ） (2023-06-05T22:09:06Z)
• Robust Fiber ODF Estimation Using Deep Constrained Spherical Deconvolution for Diffusion MRI [7.9283612449524155]
  測定したDW-MRI信号をモデル化するための一般的なプラクティスは、繊維配向分布関数(fODF)である。 DW-MRIの取得において、測定変数(サイト内およびサイト内変動、ハードウェア性能、シーケンス設計など)は避けられない。 既存のモデルベース手法(例えば、制約付き球面デコンボリューション(CSD))や学習ベース手法(例えば、ディープラーニング(DL))は、fODFモデリングにおいてそのような変動を明示的に考慮していない。 本稿では,データ駆動型深部制約付き球面デコンボリューション法を提案する。
  論文  参考訳（メタデータ） (2023-06-05T14:06:40Z)
• f-DM: A Multi-stage Diffusion Model via Progressive Signal Transformation [56.04628143914542]
  拡散モデル(DM)は、最近、様々な領域で生成モデリングを行うためのSoTAツールとして登場した。 本稿では、プログレッシブ信号変換が可能なDMの一般化されたファミリであるf-DMを提案する。 我々は、ダウンサンプリング、ぼやけ、学習された変換を含む様々な機能を持つ画像生成タスクにf-DMを適用した。
  論文  参考訳（メタデータ） (2022-10-10T18:49:25Z)
• Pipeline-Invariant Representation Learning for Neuroimaging [5.502218439301424]
  我々は,前処理パイプラインの選択が教師付き学習モデルの下流性能に与える影響を評価する。 本稿では,2つのパイプライン不変表現学習手法,MPSLとPXLを提案する。 これらの結果は,本モデルがパイプライン関連バイアスを緩和し,脳-フェノタイプモデルにおける予測ロバスト性の向上に有効であることを示唆している。
  論文  参考訳（メタデータ） (2022-08-27T02:34:44Z)
• Mode decomposition-based time-varying phase synchronization for fMRI Data [0.0]
  異なる脳領域の信号間の関係を評価する一つの方法は、その位相同期(PS)を時間にわたって測定することである。 このためには、解析に必要な帯域通過フィルタのタイプとカットオフの周波数を選択する必要がある。 ここでは、この問題を回避するための様々なモード分解(MD)技術を用いた代替手法について検討する。
  論文  参考訳（メタデータ） (2022-03-26T01:04:28Z)
• A Variational Bayesian Approach to Learning Latent Variables for Acoustic Knowledge Transfer [55.20627066525205]
  本稿では,ディープニューラルネットワーク(DNN)モデルにおける潜伏変数の分布を学習するための変分ベイズ(VB)アプローチを提案する。 我々の提案するVBアプローチは,ターゲットデバイスにおいて良好な改善が得られ,しかも,13の最先端知識伝達アルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2021-10-16T15:54:01Z)

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。