論文の概要: CATD: Unified Representation Learning for EEG-to-fMRI Cross-Modal Generation
- arxiv url: http://arxiv.org/abs/2408.00777v1
- Date: Tue, 16 Jul 2024 11:31:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-19 05:28:21.264039
- Title: CATD: Unified Representation Learning for EEG-to-fMRI Cross-Modal Generation
- Title（参考訳）: CATD:脳波対fMRIのクロスモーダル生成のための統一表現学習
- Authors: Weiheng Yao, Shuqiang Wang,
- Abstract要約: 本稿では,ニューロイメージングの終端から終端までのクロスモーダル合成のための条件付き時間拡散(CATD)フレームワークを提案する。
提案フレームワークは、ニューロイメージングのクロスモーダル合成のための新しいパラダイムを確立する。
パーキンソン病の予測を改善し、異常な脳領域を同定するといった医療応用の可能性を示している。
- 参考スコア（独自算出の注目度）: 6.682531937245544
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-modal neuroimaging analysis is crucial for a comprehensive understanding of brain function and pathology, as it allows for the integration of different imaging techniques, thus overcoming the limitations of individual modalities. However, the high costs and limited availability of certain modalities pose significant challenges. To address these issues, this paper proposed the Condition-Aligned Temporal Diffusion (CATD) framework for end-to-end cross-modal synthesis of neuroimaging, enabling the generation of functional magnetic resonance imaging (fMRI)-detected Blood Oxygen Level Dependent (BOLD) signals from more accessible Electroencephalography (EEG) signals. By constructing Conditionally Aligned Block (CAB), heterogeneous neuroimages are aligned into a potential space, achieving a unified representation that provides the foundation for cross-modal transformation in neuroimaging. The combination with the constructed Dynamic Time-Frequency Segmentation (DTFS) module also enables the use of EEG signals to improve the temporal resolution of BOLD signals, thus augmenting the capture of the dynamic details of the brain. Experimental validation demonstrated the effectiveness of the framework in improving the accuracy of neural activity prediction, identifying abnormal brain regions, and enhancing the temporal resolution of BOLD signals. The proposed framework establishes a new paradigm for cross-modal synthesis of neuroimaging by unifying heterogeneous neuroimaging data into a potential representation space, showing promise in medical applications such as improving Parkinson's disease prediction and identifying abnormal brain regions.
- Abstract（参考訳）: マルチモーダル・ニューロイメージング分析は、異なるイメージング技術の統合を可能にするため、脳機能と病理の包括的理解に不可欠であり、個々のモダリティの限界を克服する。
しかし、高いコストと特定のモダリティの可用性の制限は、大きな課題を引き起こしている。
これらの課題に対処するために,脳波(EEG)信号から機能的磁気共鳴画像(fMRI)検出血酸素レベル依存性(BOLD)信号を生成するために,ニューロイメージングの終端と終端のクロスモーダル合成のための条件付き時間拡散(CATD)フレームワークを提案する。
条件付きアラインドブロック(CAB)を構築することにより、異種ニューロイメージングはポテンシャル空間に整列し、ニューロイメージングにおけるクロスモーダル変換の基礎となる統一された表現を実現する。
構築されたDynamic Time-Frequency Segmentation (DTFS)モジュールと組み合わせることで、脳波信号を使用してBOLD信号の時間分解能を改善し、脳のダイナミックな詳細を捉えることができる。
実験により,神経活動予測の精度の向上,異常脳領域の同定,BOLD信号の時間分解能の向上にフレームワークの有効性が示された。
提案フレームワークは、異種神経画像データを潜在的表現空間に統一し、パーキンソン病予測の改善や異常脳領域の同定などの医学的応用の約束を示すことにより、ニューロイメージングのクロスモーダル合成のための新しいパラダイムを確立する。
関連論文リスト
- NeuroBOLT: Resting-state EEG-to-fMRI Synthesis with Multi-dimensional Feature Mapping [9.423808859117122]
我々は,脳内のfMRI活動信号に生の脳波データを変換するためにNeuroBOLT,すなわちNeuro-to-BOLD Transformerを導入する。
実験の結果,NeuroBOLTは一次感覚野,高レベル認知領域,深部皮質下脳領域から観測不能なfMRI信号を効果的に再構成することがわかった。
論文 参考訳（メタデータ） (2024-10-07T02:47:55Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。
遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
論文 参考訳（メタデータ） (2024-04-30T10:53:30Z) - Leveraging sinusoidal representation networks to predict fMRI signals
from EEG [3.3121941932506473]
本稿では,マルチチャネル脳波から直接fMRI信号を予測できる新しいアーキテクチャを提案する。
本モデルは,脳波の周波数情報を学習するための正弦波表現ネットワーク(SIREN)を実装して実現している。
我々は,脳波-fMRI同時データセットを8被験者で評価し,脳皮質下 fMRI 信号の予測の可能性について検討した。
論文 参考訳（メタデータ） (2023-11-06T03:16:18Z) - 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) - DiffGAN-F2S: Symmetric and Efficient Denoising Diffusion GANs for
Structural Connectivity Prediction from Brain fMRI [15.40111168345568]
構造接続(SC)と機能的磁気共鳴イメージング(fMRI)の信頼性非直線マッピング関係を橋渡しすることは困難である
脳のfMRIからエンド・ツー・エンド・エンドの方法でSCを予測するために,新しい拡散生成逆ネットワークを用いたfMRI-to-SCモデルを提案する。
論文 参考訳（メタデータ） (2023-09-28T06:55:50Z) - Joint fMRI Decoding and Encoding with Latent Embedding Alignment [77.66508125297754]
我々はfMRIデコーディングと符号化の両方に対処する統合フレームワークを導入する。
本モデルでは、fMRI信号から視覚刺激を同時に回復し、統合された枠組み内の画像から脳活動を予測する。
論文 参考訳（メタデータ） (2023-03-26T14:14:58Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Inferring Brain Dynamics via Multimodal Joint Graph Representation
EEG-fMRI [0.0]
マルチモデリング手法は、各モータリティが別々に取得された場合に不可能な脳成分の神経分析に新たな洞察を与えることができることを示す。
異なるモードの関節表現は、同時に取得した脳波と磁気共鳴画像(EEG-fMRI)を解析するための頑健なモデルである
本稿では,グラフに基づく深層学習手法を用いて,複数のメディアの相関関係について概説する。
論文 参考訳（メタデータ） (2022-01-21T15:39:48Z) - Characterization Multimodal Connectivity of Brain Network by Hypergraph
GAN for Alzheimer's Disease Analysis [30.99183477161096]
脳ネットワークを特徴付けるマルチモーダル・ニューロイメージングデータは、現在、アルツハイマー病(AD)解析の高度な技術である。
DTI と rs-fMRI の組合せから脳ネットワークのマルチモーダル接続を生成するための新しいハイパーグラフ生成支援ネットワーク (HGGAN) を提案する。
論文 参考訳（メタデータ） (2021-07-21T09:02:29Z)
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。