Fugu-MT 論文翻訳(概要): ACTION: Augmentation and Computation Toolbox for Brain Network Analysis with Functional MRI

論文の概要: ACTION: Augmentation and Computation Toolbox for Brain Network Analysis with Functional MRI

arxiv url: http://arxiv.org/abs/2405.06178v1
Date: Fri, 10 May 2024 01:45:09 GMT
ステータス: 処理完了
システム内更新日: 2024-05-13 16:57:10.600199
Title: ACTION: Augmentation and Computation Toolbox for Brain Network Analysis with Functional MRI
Title（参考訳）: ACTION: 機能MRIを用いた脳ネットワーク解析のための拡張と計算ツールボックス
Authors: Yuqi Fang, Junhao Zhang, Linmin Wang, Qianqian Wang, Mingxia Liu,
Abstract要約: ActionはfMRI分析のためのPythonベースのクロスプラットフォームツールボックスである。自動fMRI増強、血液酸素レベル依存(BOLD)シグナル増強、脳ネットワーク増強を可能にする。大規模な補助的なラベルなしデータを活用するディープラーニングモデルの構築をサポートする。
参考スコア（独自算出の注目度）: 28.639321546348654
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Functional magnetic resonance imaging (fMRI) has been increasingly employed to investigate functional brain activity. Many fMRI-related software/toolboxes have been developed, providing specialized algorithms for fMRI analysis. However, existing toolboxes seldom consider fMRI data augmentation, which is quite useful, especially in studies with limited or imbalanced data. Moreover, current studies usually focus on analyzing fMRI using conventional machine learning models that rely on human-engineered fMRI features, without investigating deep learning models that can automatically learn data-driven fMRI representations. In this work, we develop an open-source toolbox, called Augmentation and Computation Toolbox for braIn netwOrk aNalysis (ACTION), offering comprehensive functions to streamline fMRI analysis. The ACTION is a Python-based and cross-platform toolbox with graphical user-friendly interfaces. It enables automatic fMRI augmentation, covering blood-oxygen-level-dependent (BOLD) signal augmentation and brain network augmentation. Many popular methods for brain network construction and network feature extraction are included. In particular, it supports constructing deep learning models, which leverage large-scale auxiliary unlabeled data (3,800+ resting-state fMRI scans) for model pretraining to enhance model performance for downstream tasks. To facilitate multi-site fMRI studies, it is also equipped with several popular federated learning strategies. Furthermore, it enables users to design and test custom algorithms through scripting, greatly improving its utility and extensibility. We demonstrate the effectiveness and user-friendliness of ACTION on real fMRI data and present the experimental results. The software, along with its source code and manual, can be accessed online.
Abstract（参考訳）: 機能的磁気共鳴イメージング(fMRI)は、機能的脳活動の研究にますます利用されている。多くのfMRI関連ソフトウェア/ツールボックスが開発され、fMRI分析のための特別なアルゴリズムが提供されている。しかし、既存のツールボックスはfMRIデータの増大をほとんど考えておらず、特に限られたデータや不均衡なデータの研究において非常に有用である。さらに、最近の研究では、データ駆動のfMRI表現を自動的に学習できるディープラーニングモデルを調べることなく、人間工学的なfMRI機能に依存する従来の機械学習モデルを用いてfMRIを分析することに重点を置いている。本研究では,Brain netwOrk aNalysis (ACTION)のためのオープンソースのツールボックスAugmentation and Computation Toolboxを開発した。 ACTIONはPythonベースのクロスプラットフォームのツールボックスで、グラフィカルなユーザフレンドリなインターフェースを備えている。自動fMRI増強、血液酸素レベル依存(BOLD)シグナル増強、脳ネットワーク増強を可能にする。脳ネットワーク構築とネットワーク特徴抽出の一般的な方法が数多く含まれている。特に、ダウンストリームタスクのモデルパフォーマンスを向上させるために、モデル事前トレーニングに大規模な補助的なラベルなしデータ(3,800以上の静止状態fMRIスキャン)を活用するディープラーニングモデルの構築をサポートする。マルチサイトfMRI研究を容易にするため、いくつかの一般的なフェデレート学習戦略も備えている。さらに、スクリプティングによるカスタムアルゴリズムの設計とテストを可能にし、その実用性と拡張性を大幅に改善する。本研究では,実際のfMRIデータに対するACTIONの有効性とユーザフレンドリさを実証し,実験結果を示す。このソフトウェアはソースコードとマニュアルとともに、オンラインでアクセスできる。

関連論文リスト

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)
Artificial Intelligence in Fetal Resting-State Functional MRI Brain Segmentation: A Comparative Analysis of 3D UNet, VNet, and HighRes-Net Models [1.2382905694337476]
本研究は、胎児脳fMRI, MRI(fMRI)における自動脳セグメンテーションのための人工知能(AI)の新たな応用を紹介した。 3D UNet、VNet、HighResNetの3つのAIモデルが採用された。以上の結果から,胎児の安静時fMRI脳セグメンテーションにおける各種AIモデルの性能が明らかにされた。
論文参考訳（メタデータ） (2023-11-17T19:57:05Z)
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)
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)
SwiFT: Swin 4D fMRI Transformer [17.95502427633986]
SwiFTS (win 4D fMRI Transformer) は,fMRIのボリュームから直接脳のダイナミクスを学習できるSwin Transformerアーキテクチャである。複数の大規模静止状態fMRIデータセットを用いてSwiFTを評価し,性別年齢と認知知能を予測する。
論文参考訳（メタデータ） (2023-07-12T04:53:36Z)
Leveraging Brain Modularity Prior for Interpretable Representation Learning of fMRI [38.236414924531196]
静止状態機能的磁気共鳴画像(rs-fMRI)は脳の自律神経活動を反映することができる。従来の研究では, マシン/ディープ学習手法を用いてfMRI表現を抽出し, その後の分析を行う方法が提案されている。本稿では,fMRI解析のためのBMR(Brain Modularity-Constrained dynamic Representation Learning)フレームワークを提案する。
論文参考訳（メタデータ） (2023-06-24T23:45:47Z)
Video4MRI: An Empirical Study on Brain Magnetic Resonance Image Analytics with CNN-based Video Classification Frameworks [60.42012344842292]
3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
論文参考訳（メタデータ） (2023-02-24T15:26:31Z)
DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文参考訳（メタデータ） (2022-09-27T16:32:11Z)
Deep Labeling of fMRI Brain Networks Using Cloud Based Processing [0.0]
静止状態fMRIは、機能領域を可視化し、局所活動を評価する神経外科的事前計画に使用される。本稿では,クラウドベースのワークフローに rs-fMRI の画像処理を組み込んだ,エンドツーエンドの再現可能なパイプラインを提案する。我々は、ディープラーニングを用いて、Resting State Networks(RSNs)の分類を自動化する。
論文参考訳（メタデータ） (2022-09-16T23:59:42Z)
FBNETGEN: Task-aware GNN-based fMRI Analysis via Functional Brain Network Generation [11.434951542977515]
我々は,脳深部ネットワーク生成によるタスク認識・解釈可能なfMRI解析フレームワークFBNETGENを開発した。このプロセスとともに、重要な新しいコンポーネントは、生の時系列機能をタスク指向の脳ネットワークに変換することを学ぶグラフジェネレータである。学習可能なグラフはまた、予測関連脳領域を強調することで独自の解釈を提供する。
論文参考訳（メタデータ） (2022-05-25T03:26:50Z)
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)

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。