論文の概要: From Brainwaves to Brain Scans: A Robust Neural Network for EEG-to-fMRI Synthesis

• arxiv url: http://arxiv.org/abs/2502.08025v1
• Date: Tue, 11 Feb 2025 23:55:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:48:18.180809
• Title: From Brainwaves to Brain Scans: A Robust Neural Network for EEG-to-fMRI Synthesis
• Title（参考訳）: 脳波から脳スキャンへ:脳波からfMRI合成のためのロバストニューラルネットワーク
• Authors: Kristofer Grover Roos, Quan Huu Cap, Atsushi Fukuda,
• Abstract要約: E2fNetは低コストの脳波データからfMRI画像を合成するための,シンプルで効果的なディープラーニングモデルである。 E2fNetは、電極チャネル間のEEGから正確なfMRI表現に意味のある機能をキャプチャし、翻訳するように設計されている。 以上の結果から,E2fNetはニューロイメージング能力を高めるための有望で費用対効果の高いソリューションであることが示唆された。
• 参考スコア（独自算出の注目度）: 4.710921988115686
• License:
• Abstract: While functional magnetic resonance imaging (fMRI) offers rich spatial resolution, it is limited by high operational costs and significant infrastructural demands. In contrast, electroencephalography (EEG) provides millisecond-level precision in capturing electrical activity but lacks the spatial resolution necessary for precise neural localization. To bridge these gaps, we introduce E2fNet, a simple yet effective deep learning model for synthesizing fMRI images from low-cost EEG data. E2fNet is specifically designed to capture and translate meaningful features from EEG across electrode channels into accurate fMRI representations. Extensive evaluations across three datasets demonstrate that E2fNet consistently outperforms existing methods, achieving state-of-the-art results in terms of the structural similarity index measure (SSIM). Our findings suggest that E2fNet is a promising, cost-effective solution for enhancing neuroimaging capabilities. The code is available at https://github.com/kgr20/E2fNet.
• Abstract（参考訳）: 機能的磁気共鳴画像(fMRI)は、空間分解能が豊富であるが、高い運用コストとインフラ上の要求により制限される。 対照的に、脳波検査(EEG)は電気活動の計測にミリ秒レベルの精度を提供するが、正確な神経局在化に必要な空間分解能は欠如している。 これらのギャップを埋めるために、低コストの脳波データからfMRI画像を合成するための、シンプルで効果的なディープラーニングモデルであるE2fNetを導入する。 E2fNetは、電極チャネル間のEEGから正確なfMRI表現に意味のある機能をキャプチャし、翻訳するように設計されている。 3つのデータセットにわたる広範囲な評価は、E2fNetが既存の手法を一貫して上回り、構造的類似度指標(SSIM)の観点で最先端の結果を達成することを示している。 以上の結果から,E2fNetはニューロイメージング能力を高めるための有望で費用対効果の高いソリューションであることが示唆された。 コードはhttps://github.com/kgr20/E2fNetで入手できる。

関連論文リスト

• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• EEG-DCNet: A Fast and Accurate MI-EEG Dilated CNN Classification Method [10.791605945979995]
  EEG-Dilated Convolution Network (DCNet) と呼ばれる新しいマルチスケールアラス畳み込みニューラルネットワーク(CNN)モデルを提案する。 我々は1時間1ドルの畳み込み層を組み込み、EEG-DCNetのマルチブランチ並列アラス畳み込みアーキテクチャを利用する。 本稿では,EEG-DCNetが既存のSOTA(State-of-the-art)アプローチよりも,分類精度とKappaスコアの点で優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-12T09:47:50Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• NT-ViT: Neural Transcoding Vision Transformers for EEG-to-fMRI Synthesis [7.542742087154667]
  本稿ではニューラルトランスビジョントランス(モデル名)を紹介する。 モデル名(英: modelname)は、脳波同時計測(EEG)データから高分解能機能型磁気共鳴イメージング(fMRI)サンプルを推定するために設計された生成モデルである。
  論文  参考訳（メタデータ） (2024-09-18T09:38:08Z)
• Guess What I Think: Streamlined EEG-to-Image Generation with Latent Diffusion Models [4.933734706786783]
  EEGは低コストで非侵襲的でポータブルなニューロイメージング技術である。 EEGは、空間分解能が低く、ノイズやアーティファクトへの感受性が低いため、固有の課題を提示している。 脳波信号による潜伏拡散モデルの条件付けのための制御ネットアダプタに基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-17T19:07:13Z)
• Brain3D: Generating 3D Objects from fMRI [76.41771117405973]
  被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。 我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。 予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
  論文  参考訳（メタデータ） (2024-05-24T06:06:11Z)
• 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)
• 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)
• 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)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)
• EEG to fMRI Synthesis: Is Deep Learning a candidate? [0.913755431537592]
  この研究は、脳波(EEG)ビューデータからfMRIデータを合成するために、Neural Processingから最先端の原理を使用する方法について、初めて包括的な情報を提供する。 オートエンコーダ,ジェネレータネットワーク,ペアワイズラーニングなど,最先端の合成手法の比較を行った。 結果は、fMRI脳画像マッピングに対する脳波の実現可能性を強調し、機械学習における現在の進歩の役割を指摘し、パフォーマンスをさらに向上するために、今後のコントリビューションの関連性を示す。
  論文  参考訳（メタデータ） (2020-09-29T16:29:20Z)

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。