論文の概要: Domain Adaptation-Enhanced Searchlight: Enabling brain decoding from visual perception to mental imagery

• arxiv url: http://arxiv.org/abs/2408.01163v1
• Date: Fri, 2 Aug 2024 10:25:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-05 13:47:29.379970
• Title: Domain Adaptation-Enhanced Searchlight: Enabling brain decoding from visual perception to mental imagery
• Title（参考訳）: ドメイン適応強化サーチライト:脳の認知から精神イメージへのデコーディングの実現
• Authors: Alexander Olza, David Soto, Roberto Santana,
• Abstract要約: 本研究では18人の被験者のfMRIスキャンを用いた画像予測における領域適応(DA)の有効性について検討した。 以上の結果から,DAは画像予測の精度を著しく向上させることが明らかとなった。 我々のDA強化サーチライトは、視覚野や前頭頂皮質を含む、高度に分散した脳領域の画像内容を予測する。
• 参考スコア（独自算出の注目度）: 46.27328641616778
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In cognitive neuroscience and brain-computer interface research, accurately predicting imagined stimuli is crucial. This study investigates the effectiveness of Domain Adaptation (DA) in enhancing imagery prediction using primarily visual data from fMRI scans of 18 subjects. Initially, we train a baseline model on visual stimuli to predict imagined stimuli, utilizing data from 14 brain regions. We then develop several models to improve imagery prediction, comparing different DA methods. Our results demonstrate that DA significantly enhances imagery prediction, especially with the Regular Transfer approach. We then conduct a DA-enhanced searchlight analysis using Regular Transfer, followed by permutation-based statistical tests to identify brain regions where imagery decoding is consistently above chance across subjects. Our DA-enhanced searchlight predicts imagery contents in a highly distributed set of brain regions, including the visual cortex and the frontoparietal cortex, thereby outperforming standard cross-domain classification methods. The complete code and data for this paper have been made openly available for the use of the scientific community.
• Abstract（参考訳）: 認知神経科学と脳-コンピュータインターフェースの研究では、想像された刺激を正確に予測することが重要である。 本研究は, 画像予測における領域適応(DA)の有効性について検討した。 当初我々は、14の脳領域のデータを利用して、視覚刺激のベースラインモデルをトレーニングし、想像された刺激を予測する。 次に、様々なDA手法を比較し、画像予測を改善するために複数のモデルを開発する。 以上の結果から,DAは画像予測の精度を著しく向上させることが明らかとなった。 次に、正規転送を用いたDA強化サーチライト分析を行い、その後、置換に基づく統計的テストを行い、画像復号が被検体全体で常に上回っている脳領域を特定する。 我々のDA強化サーチライトは、視覚野や前頭前頭葉皮質を含む高度に分散した脳領域のイメージ内容を予測し、標準的なクロスドメイン分類法より優れている。 この論文の完全なコードとデータは、科学コミュニティの利用のために公開されています。

関連論文リスト

• Generalizability analysis of deep learning predictions of human brain responses to augmented and semantically novel visual stimuli [0.6259089590341245]
  本研究の目的は,視覚野活性化に対する画像強調技術の影響を探索するための枠組みとして,ニューラルネットワークを用いたアプローチの音質と有用性を検討することである。 The Algonauts Project 2023 Challengeに参加したトップ10の方法の中から選ばれた、最先端の脳エンコーディングモデルを用意します。 我々は、様々な画像強調技術が神経反応に与える影響について、有効な予測を行う能力について分析する。
  論文  参考訳（メタデータ） (2024-10-06T14:29:02Z)
• Visual Prompt Engineering for Vision Language Models in Radiology [0.17183214167143138]
  Contrastive Language-Image Pretraining (CLIPP) は、大規模な事前訓練を通じてゼロショット分類を可能にするソリューションを提供する。 ビジュアルマーカーはAUROC2013$を0.185まで改善し、分類性能を向上させる効果を強調した。 我々はコードと前処理パイプラインを公開し、医用画像の局所分類に関する今後の研究の基準点を提供する。
  論文  参考訳（メタデータ） (2024-08-28T13:53:27Z)
• Multimodal Learning and Cognitive Processes in Radiology: MedGaze for Chest X-ray Scanpath Prediction [10.388541520456714]
  提案システムは,放射線学報告やCXR画像から視線シーケンスを予測することを目的としている。 本モデルでは, 医用スキャンパス予測において重要な固定座標と期間を予測し, コンピュータビジョンコミュニティにおける既存モデルよりも優れていた。 放射線学者の評価に基づいて、MedGazeは関連する領域に焦点をあてたヒトのような視線配列を生成することができる。
  論文  参考訳（メタデータ） (2024-06-28T06:38:58Z)
• A Textbook Remedy for Domain Shifts: Knowledge Priors for Medical Image Analysis [48.84443450990355]
  ディープネットワークは、医学的なスキャンに適用すると、例外のない状況で失敗することが多いため、自然画像の解析において広く成功している。 胸部X線や皮膚病変画像の文脈において、異なる病院から採取したデータや、性別、人種などの人口統計学的変数によって構築されたデータなど、ドメインシフトに対するモデル感度に焦点をあてる。 医学教育からインスピレーションを得て,自然言語で伝達される明示的な医学知識を基盤としたディープネットワークを提案する。
  論文  参考訳（メタデータ） (2024-05-23T17:55:02Z)
• BrainSCUBA: Fine-Grained Natural Language Captions of Visual Cortex Selectivity [6.285481522918523]
  そこで本研究では,関心のボクセルを最大に活性化する画像に対して,自然言語記述を生成するデータ駆動方式を提案する。 高次視覚領域にまたがる微細なボクセルレベルのキャプションにより,本手法の有効性を検証した。 そこで我々は,脳内の「個人」表現の分布に関する探索的研究を行った。
  論文  参考訳（メタデータ） (2023-10-06T17:59:53Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Feature visualization for convolutional neural network models trained on neuroimaging data [0.0]
  畳み込みニューラルネットワーク(CNN)の機能可視化による最初の結果を示す。 我々は、MRIデータに基づく性分類や人為的病変分類など、さまざまなタスクのためにCNNを訓練した。 得られた画像は、その形状を含む人工的な病変の学習概念を明らかにするが、性分類タスクにおける抽象的な特徴を解釈することは困難である。
  論文  参考訳（メタデータ） (2022-03-24T15:24:38Z)
• Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
  本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。 予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。 本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
  論文  参考訳（メタデータ） (2021-08-11T18:08:09Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。