論文の概要: CodeBrain: Impute Any Brain MRI via Instance-specific Scalar-quantized Codes

• arxiv url: http://arxiv.org/abs/2501.18328v1
• Date: Thu, 30 Jan 2025 13:14:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-31 15:12:57.029749
• Title: CodeBrain: Impute Any Brain MRI via Instance-specific Scalar-quantized Codes
• Title（参考訳）: CodeBrain:インスタンス固有のScalar量子コードを通じて、任意の脳MRIをインプットする
• Authors: Yicheng Wu, Tao Song, Zhonghua Wu, Zongyuan Ge, Zhaolin Chen, Jianfei Cai,
• Abstract要約: 我々は、様々な脳MRI計算シナリオに適応する統合モデル、CodeBrainを提案する。 CodeBrainは2つのステージ – レコンストラクションとコード予測だ。 提案手法は,既存の4つの手法と比較して,優れた計算性能が得られる。
• 参考スコア（独自算出の注目度）: 37.384085633211114
• License:
• Abstract: MRI imputation aims to synthesize the missing modality from one or more available ones, which is highly desirable since it reduces scanning costs and delivers comprehensive MRI information to enhance clinical diagnosis. In this paper, we propose a unified model, CodeBrain, designed to adapt to various brain MRI imputation scenarios. The core design lies in casting various inter-modality transformations as a full-modality code prediction task. To this end, CodeBrain is trained in two stages: Reconstruction and Code Prediction. First, in the Reconstruction stage, we reconstruct each MRI modality, which is mapped into a shared latent space followed by a scalar quantization. Since such quantization is lossy and the code is low dimensional, another MRI modality belonging to the same subject is randomly selected to generate common features to supplement the code and boost the target reconstruction. In the second stage, we train another encoder by a customized grading loss to predict the full-modality codes from randomly masked MRI samples, supervised by the corresponding quantized codes generated from the first stage. In this way, the inter-modality transformation is achieved by mapping the instance-specific codes in a finite scalar space. We evaluated the proposed CodeBrain model on two public brain MRI datasets (i.e., IXI and BraTS 2023). Extensive experiments demonstrate that our CodeBrain model achieves superior imputation performance compared to four existing methods, establishing a new state of the art for unified brain MRI imputation. Codes will be released.
• Abstract（参考訳）: MRI命令は、スキャンコストを削減し、臨床診断を強化するために包括的なMRI情報を提供するため、利用可能な1つ以上のモダリティから欠落したモダリティを合成することを目的としている。 本稿では,脳MRIの様々な計算シナリオに適応する統合モデルであるCodeBrainを提案する。 コア設計は、様々なモダリティ間の変換をフルモダリティコード予測タスクとしてキャストすることにある。 この目的のために、CodeBrainは2つのステージ – レコンストラクションとコード予測 – でトレーニングされている。 まず、再構成段階では、各MRIモードを再構成し、共有潜在空間にマッピングし、次いでスカラー量子化を行う。 このような量子化が失われ、コードが低次元であるため、同じ対象に属する別のMRIモードがランダムに選択され、共通の特徴が生成され、コード補完とターゲット再構成が促進される。 第2段階では、第1段階から生成された対応する量子化符号によって教師されるランダムなマスク付きMRIサンプルから、全モードのコードを予測するために、カスタマイズされたグレーディング損失により、別のエンコーダを訓練する。 このようにして、モダリティ間の変換は、インスタンス固有のコードを有限スカラー空間にマッピングすることで達成される。 提案したCodeBrainモデルを2つのパブリック脳MRIデータセット(IXIとBraTS 2023)で評価した。 広汎な実験により、我々のCodeBrainモデルは、既存の4つの方法と比較して優れた計算性能を達成し、脳MRIの統一のための新しい最先端技術を確立した。 コードはリリースされる。

関連論文リスト

• UniBrain: A Unified Model for Cross-Subject Brain Decoding [22.49964298783508]
  被験者固有のパラメータを必要としない統一脳復号モデルUniBrainを提案する。 提案手法は, 可変fMRI信号長を扱うグループベース抽出器, クロスオブジェクトの共通点を捕捉する相互支援組込み器, 被写体不変特徴を抽出するバイレベル特徴アライメント方式を含む。 我々は、UniBrainを脳復号ベンチマークで検証し、パラメータが極端に少ない現在の最先端の主題特化モデルに匹敵する性能を実現した。
  論文  参考訳（メタデータ） (2024-12-27T07:03:47Z)
• BrainSegFounder: Towards 3D Foundation Models for Neuroimage Segmentation [6.5388528484686885]
  本研究は,医療基盤モデルの創出に向けた新しいアプローチを紹介する。 本稿では,視覚変換器を用いた2段階事前学習手法を提案する。 BrainFounderは、これまでの勝利ソリューションの成果を上回る、大幅なパフォーマンス向上を実演している。
  論文  参考訳（メタデータ） (2024-06-14T19:49:45Z)
• 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)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• 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)
• 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)
• BrainCLIP: Bridging Brain and Visual-Linguistic Representation Via CLIP for Generic Natural Visual Stimulus Decoding [51.911473457195555]
  BrainCLIPはタスクに依存しないfMRIベースの脳復号モデルである。 脳の活動、画像、およびテキストの間のモダリティギャップを埋める。 BrainCLIPは、高い意味的忠実度で視覚刺激を再構築することができる。
  論文  参考訳（メタデータ） (2023-02-25T03:28:54Z)
• Neural Architecture Search for Gliomas Segmentation on Multimodal Magnetic Resonance Imaging [2.66512000865131]
  マルチモーダルMRIスキャンにおける脳腫瘍セグメント化課題に対するニューラルアーキテクチャサーチ(NAS)に基づくソリューションを提案する。 開発されたソリューションは、また、脳MRI処理に適した正規化とパッチ戦略を統合する。
  論文  参考訳（メタデータ） (2020-05-13T14:32:00Z)

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。