論文の概要: Towards Zero-Shot Task-Generalizable Learning on fMRI
- arxiv url: http://arxiv.org/abs/2502.10662v1
- Date: Sat, 15 Feb 2025 03:59:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-18 14:08:45.931369
- Title: Towards Zero-Shot Task-Generalizable Learning on fMRI
- Title(参考訳): fMRIにおけるゼロショットタスク一般化型学習に向けて
- Authors: Jiyao Wang, Nicha C. Dvornek, Peiyu Duan, Lawrence H. Staib, James S. Duncan,
- Abstract要約: 本稿では,異なるタスクで得られたタスクベースのfMRIを集約し,一般化可能なモデルをトレーニングするタスク認識ネットワークTA-GATを提案する。
提案したアーキテクチャは、どんなニューラルネットワークアーキテクチャでもプラグイン・アンド・プレイが可能で、fMRIタスクの以前の知識を機能的脳パターンのキャプチャに組み込むことができる。
- 参考スコア(独自算出の注目度): 9.90774796922676
- License:
- Abstract: Functional MRI measuring BOLD signal is an increasingly important imaging modality in studying brain functions and neurological disorders. It can be acquired in either a resting-state or a task-based paradigm. Compared to resting-state fMRI, task-based fMRI is acquired while the subject is performing a specific task designed to enhance study-related brain activities. Consequently, it generally has more informative task-dependent signals. However, due to the variety of task designs, it is much more difficult than in resting state to aggregate task-based fMRI acquired in different tasks to train a generalizable model. To resolve this complication, we propose a supervised task-aware network TA-GAT that jointly learns a general-purpose encoder and task-specific contextual information. The encoder-generated embedding and the learned contextual information are then combined as input to multiple modules for performing downstream tasks. We believe that the proposed task-aware architecture can plug-and-play in any neural network architecture to incorporate the prior knowledge of fMRI tasks into capturing functional brain patterns.
- Abstract(参考訳): BOLD信号を測定する機能MRIは、脳機能や神経疾患の研究において、ますます重要な画像モダリティである。
これは、安静状態またはタスクベースのパラダイムで取得できる。
静止状態fMRIと比較して、被験者は研究関連脳活動を強化するために特定のタスクを実行している間に、タスクベースのfMRIを取得する。
その結果、一般に、より情報的なタスク依存の信号を持つ。
しかし,タスク設計の多様さから,様々なタスクで取得したタスクベースfMRIを静止状態に集約し,一般化可能なモデルを訓練するよりもはるかに困難である。
この問題を解決するために,汎用エンコーダとタスク固有のコンテキスト情報を共同で学習するタスク認識ネットワークTA-GATを提案する。
エンコーダが生成した埋め込みと学習されたコンテキスト情報は、下流タスクを実行するための複数のモジュールへの入力として結合される。
提案したタスク認識アーキテクチャは、どんなニューラルネットワークアーキテクチャでもプラグイン・アンド・プレイが可能であり、fMRIタスクの以前の知識を機能的脳パターンのキャプチャに組み込むことができると考えています。
関連論文リスト
- BrainMAP: Learning Multiple Activation Pathways in Brain Networks [77.15180533984947]
本稿では,脳ネットワークにおける複数の活性化経路を学習するための新しいフレームワークであるBrainMAPを紹介する。
本フレームワークは,タスクに関わる重要な脳領域の説明的分析を可能にする。
論文 参考訳(メタデータ) (2024-12-23T09:13:35Z) - STNAGNN: Spatiotemporal Node Attention Graph Neural Network for Task-based fMRI Analysis [9.35032090865023]
タスク駆動型データ構造は自閉症解析に有効であることを示す。
本稿では,GNNに基づくタスクベースアーキテクチャを提案し,その性能を自閉症タスクで検証する。
論文 参考訳(メタデータ) (2024-06-17T20:08:05Z) - 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) - Uncovering cognitive taskonomy through transfer learning in masked autoencoder-based fMRI reconstruction [6.3348067441225915]
機能的磁気共鳴画像(fMRI)データを再構成するために,マスク付きオートエンコーダ(MAE)モデルを用いる。
本研究は,maEモデルを用いたfMRI再構成により,潜在表現の発見が可能であることを示唆する。
論文 参考訳(メタデータ) (2024-05-24T09:29:16Z) - 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) - Towards Medical Artificial General Intelligence via Knowledge-Enhanced
Multimodal Pretraining [121.89793208683625]
医療人工知能(MAGI)は、1つの基礎モデルで異なる医療課題を解くことができる。
我々は、Micical-knedge-enhanced mulTimOdal pretRaining (motoR)と呼ばれる新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2023-04-26T01:26:19Z) - 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) - Synergistic information supports modality integration and flexible
learning in neural networks solving multiple tasks [107.8565143456161]
本稿では,様々な認知タスクを行う単純な人工ニューラルネットワークが採用する情報処理戦略について検討する。
結果は、ニューラルネットワークが複数の多様なタスクを学習するにつれて、シナジーが増加することを示している。
トレーニング中に無作為にニューロンを停止させると、ネットワークの冗長性が増加し、ロバスト性の増加に対応する。
論文 参考訳(メタデータ) (2022-10-06T15:36:27Z) - Learning Multitask Gaussian Bayesian Networks [11.745963019193955]
大うつ病(Major depressive disorder、MDD)は、脳の機能的接続変化の研究を必要とする。
fMRIスキャンで収集されたデータの量は、個々の分析に十分な情報を与えるにはあまりにも限られている。
本稿では,MDD患者に対する個別の病原性変化を識別できるマルチタスク・ガウス・ベイズネットワークフレームワークを提案する。
論文 参考訳(メタデータ) (2022-05-11T08:38:00Z) - Attend and Decode: 4D fMRI Task State Decoding Using Attention Models [2.6954666679827137]
我々は、Brain Attend and Decode (BAnD)と呼ばれる新しいアーキテクチャを提案する。
BAnDは残留畳み込みニューラルネットワークを用いて空間的特徴抽出と時間的モデリングを行う。
我々は,Human Connectome Project-Young Adult データセットの 7-task ベンチマークによる以前の研究と比較して,大幅な性能向上を実現している。
論文 参考訳(メタデータ) (2020-04-10T21:29:34Z)
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。