論文の概要: Reconstructing Retinal Visual Images from 3T fMRI Data Enhanced by Unsupervised Learning
- arxiv url: http://arxiv.org/abs/2404.05107v1
- Date: Sun, 7 Apr 2024 23:31:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-09 15:53:11.303439
- Title: Reconstructing Retinal Visual Images from 3T fMRI Data Enhanced by Unsupervised Learning
- Title（参考訳）: 教師なし学習による3T fMRIデータからの網膜画像再構成
- Authors: Yujian Xiong, Wenhui Zhu, Zhong-Lin Lu, Yalin Wang,
- Abstract要約: GAN(unsupervised Generative Adversarial Network)を通して3T fMRIデータを生成する新しいフレームワークを提案する。
本稿では,3T fMRIデータの再構成能力を実証し,優れた入力画像を生成する能力を強調した。
- 参考スコア（独自算出の注目度）: 2.1597860906272803
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The reconstruction of human visual inputs from brain activity, particularly through functional Magnetic Resonance Imaging (fMRI), holds promising avenues for unraveling the mechanisms of the human visual system. Despite the significant strides made by deep learning methods in improving the quality and interpretability of visual reconstruction, there remains a substantial demand for high-quality, long-duration, subject-specific 7-Tesla fMRI experiments. The challenge arises in integrating diverse smaller 3-Tesla datasets or accommodating new subjects with brief and low-quality fMRI scans. In response to these constraints, we propose a novel framework that generates enhanced 3T fMRI data through an unsupervised Generative Adversarial Network (GAN), leveraging unpaired training across two distinct fMRI datasets in 7T and 3T, respectively. This approach aims to overcome the limitations of the scarcity of high-quality 7-Tesla data and the challenges associated with brief and low-quality scans in 3-Tesla experiments. In this paper, we demonstrate the reconstruction capabilities of the enhanced 3T fMRI data, highlighting its proficiency in generating superior input visual images compared to data-intensive methods trained and tested on a single subject.
- Abstract（参考訳）: 脳活動、特に機能的磁気共鳴イメージング(fMRI)による人間の視覚入力の再構築は、人間の視覚系のメカニズムを解明するための有望な道を開く。
視覚再建の質と解釈性を改善するためのディープラーニング手法による大きな進歩にもかかわらず、高品質で長期化され、主題固有の7-Tesla fMRI実験は依然としてかなりの需要がある。
この課題は、多様な3つのTeslaデータセットを統合することや、短時間で低品質のfMRIスキャンで新しい被験者を収容することにある。
これらの制約に応えて、7Tと3Tの2つの異なるfMRIデータセット間での未ペアリングトレーニングを生かし、教師なしのGAN(Generative Adversarial Network)を介して拡張された3T fMRIデータを生成する新しいフレームワークを提案する。
このアプローチは、高品質な7-Teslaデータの不足と、3-Tesla実験における短時間で低品質なスキャンに関連する課題の限界を克服することを目的としている。
本稿では,3T fMRIデータの再構成能力を実証し,単一の被験者で訓練・テストしたデータ集約手法と比較して,優れた入力画像を生成する能力を強調した。
関連論文リスト
- fMRI-3D: A Comprehensive Dataset for Enhancing fMRI-based 3D Reconstruction [50.534007259536715]
我々は15人の参加者のデータを含むfMRI-3Dデータセットを提示し、合計4768個の3Dオブジェクトを展示する。
我々は,fMRI信号から3次元視覚情報を復号化するための新しいフレームワークMinD-3Dを提案する。
論文 参考訳（メタデータ） (2024-09-17T16:13:59Z) - 7T MRI Synthesization from 3T Acquisitions [1.1549572298362787]
改良されたディープラーニング技術は、3T MRI入力から合成された7T MRIを生成するために使用できる。
本稿では,V-Net畳み込みニューラルネットワークのカスタム設計版に基づく,新しい7T合成アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-03-13T22:06:44Z) - 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) - Transferring Ultrahigh-Field Representations for Intensity-Guided Brain
Segmentation of Low-Field Magnetic Resonance Imaging [51.92395928517429]
7T MRIの使用は、低磁場MRIと比較して高コストでアクセシビリティが低いため制限されている。
本研究では,入力されたLF磁気共鳴特徴表現と,脳画像分割タスクのための7T様特徴表現とを融合したディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-13T12:21:06Z) - MinD-3D: Reconstruct High-quality 3D objects in Human Brain [50.534007259536715]
Recon3DMindは、fMRI(Functional Magnetic Resonance Imaging)信号から3次元視覚を再構成するための革新的なタスクである。
このデータセットは14人の参加者のデータを含み、3Dオブジェクトの360度ビデオが特徴である。
我々は,脳の3次元視覚情報をfMRI信号から復号化するための,新規で効果的な3段階フレームワークMinD-3Dを提案する。
論文 参考訳（メタデータ） (2023-12-12T18:21:36Z) - 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) - Leveraging Neural Radiance Fields for Uncertainty-Aware Visual
Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。
レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文 参考訳（メタデータ） (2023-10-10T20:11:13Z) - Two-and-a-half Order Score-based Model for Solving 3D Ill-posed Inverse
Problems [7.074380879971194]
本稿では,3次元ボリューム再構成のための2次半順序スコアベースモデル(TOSM)を提案する。
トレーニング期間中、TOSMは2次元空間のデータ分布を学習し、トレーニングの複雑さを低減する。
再構成フェーズでは、TOSMは3方向の相補的なスコアを利用して、3次元空間のデータ分布を更新する。
論文 参考訳（メタデータ） (2023-08-16T17:07:40Z) - Iterative Data Refinement for Self-Supervised MR Image Reconstruction [18.02961646651716]
自己教師型MR画像再構成のためのデータ改質フレームワークを提案する。
まず,自己教師付き手法と教師付き手法のパフォーマンスギャップの原因を解析する。
そして、このデータバイアスを低減するために、効果的な自己教師付きトレーニングデータ精錬法を設計する。
論文 参考訳（メタデータ） (2022-11-24T06:57:16Z) - A Comparative Study of Existing and New Deep Learning Methods for
Detecting Knee Injuries using the MRNet Dataset [9.808620526969648]
この研究は、スタンフォードのMRNetデータセットを利用して膝関節損傷を検出する既存の技術と新しい技術の比較研究である。
すべてのアプローチはディープラーニングに基づいており、転送学習とスクラッチからトレーニングされたディープ残差ネットワークの比較性能について検討する。
論文 参考訳（メタデータ） (2020-10-05T12:27:18Z) - Synthetic Magnetic Resonance Images with Generative Adversarial Networks [0.0]
本研究では,新しい脳MRIを生成するために,異なる損失関数を持つ3つのGANアーキテクチャを実験した。
その結果、高次パラメータチューニングの重要性と、識別器におけるミニバッチ類似層と、損失関数における勾配ペナルティを用いて、高品質で現実主義的な収束を実現することが示唆された。
論文 参考訳（メタデータ） (2020-01-17T11:00:32Z)
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。