論文の概要: Dynadiff: Single-stage Decoding of Images from Continuously Evolving fMRI

• arxiv url: http://arxiv.org/abs/2505.14556v1
• Date: Tue, 20 May 2025 16:14:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:53.563497
• Title: Dynadiff: Single-stage Decoding of Images from Continuously Evolving fMRI
• Title（参考訳）: Dynadiff:連続的に進化するfMRIから画像の1段階のデコード
• Authors: Marlène Careil, Yohann Benchetrit, Jean-Rémi King,
• Abstract要約: 動的に進化するfMRI記録から画像を再構成するための新しい単一ステージ拡散モデルであるDynadiffを紹介する。 我々のモデルは、時間分解されたfMRI信号、特に高レベルのセマンティックイメージ再構成メトリクスの最先端モデルよりも優れています。 全体として、この研究は時間分解脳画像デコーディングの基礎となっている。
• 参考スコア（独自算出の注目度）: 3.0450307343472405
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain-to-image decoding has been recently propelled by the progress in generative AI models and the availability of large ultra-high field functional Magnetic Resonance Imaging (fMRI). However, current approaches depend on complicated multi-stage pipelines and preprocessing steps that typically collapse the temporal dimension of brain recordings, thereby limiting time-resolved brain decoders. Here, we introduce Dynadiff (Dynamic Neural Activity Diffusion for Image Reconstruction), a new single-stage diffusion model designed for reconstructing images from dynamically evolving fMRI recordings. Our approach offers three main contributions. First, Dynadiff simplifies training as compared to existing approaches. Second, our model outperforms state-of-the-art models on time-resolved fMRI signals, especially on high-level semantic image reconstruction metrics, while remaining competitive on preprocessed fMRI data that collapse time. Third, this approach allows a precise characterization of the evolution of image representations in brain activity. Overall, this work lays the foundation for time-resolved brain-to-image decoding.
• Abstract（参考訳）: 脳と画像のデコーディングは、最近、生成AIモデルの進歩と、大規模な超高磁場機能磁気共鳴イメージング(fMRI)の可用性によって推進されている。 しかし、現在のアプローチは複雑な多段階パイプラインと、通常脳記録の時間次元を崩壊させ、時間分解された脳デコーダを制限する前処理ステップに依存している。 本稿では、動的に進化するfMRI記録から画像を再構成するための新しい単一ステージ拡散モデルであるDynadiff(Dynamic Neural Activity Diffusion for Image Reconstruction)を紹介する。 このアプローチには3つの主な貢献があります。 まず、Dynadiffは既存のアプローチと比較してトレーニングを単純化する。 第2に、時間分解されたfMRI信号、特に高レベルなセマンティック画像再構成の指標において、我々のモデルは、時間分解されたfMRIデータに対して競争力を維持しながら、最先端のモデルよりも優れています。 第3に、このアプローチは脳活動における画像表現の進化を正確に評価することを可能にする。 全体として、この研究は時間分解脳画像デコーディングの基礎となっている。

関連論文リスト

• Fully Unsupervised Dynamic MRI Reconstruction via Diffeo-Temporal Equivariance [2.260147251787331]
  教師付き学習法は周期性を前提として欠陥があり、真の動きの撮像を禁止している。 我々は,アンサンプド計測のみから動的MRIシーケンスを再構築するための教師なしフレームワークを提案する。 我々の手法は基盤となるニューラルネットワークアーキテクチャに非依存であり、最新のパラダイムや後処理アプローチに適応するために使用することができる。
  論文  参考訳（メタデータ） (2024-10-11T09:16:30Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• 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)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)

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。