論文の概要: Voxel-Level Brain States Prediction Using Swin Transformer

• arxiv url: http://arxiv.org/abs/2506.11455v1
• Date: Fri, 13 Jun 2025 04:14:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.654882
• Title: Voxel-Level Brain States Prediction Using Swin Transformer
• Title（参考訳）: Swin Transformer を用いたVoxel-Level脳状態予測
• Authors: Yifei Sun, Daniel Chahine, Qinghao Wen, Tianming Liu, Xiang Li, Yixuan Yuan, Fernando Calamante, Jinglei Lv,
• Abstract要約: 本稿では, 4D Shifted Window (Swin) Transformer をエンコーダとして用い, 時間的情報を効率よく学習し, 畳み込みデコーダを用いて入力fMRIデータと同じ空間的, 時間的解像度で脳状態の予測を可能にするアーキテクチャを提案する。 前回の23.04s fMRI時系列に基づいて7.2sの安静時脳活動を予測すると,高い精度が得られた。 これは、人間の脳の時間的構造が高解像度でSwin Transformerモデルによって学習できることを示す有望な証拠である。
• 参考スコア（独自算出の注目度）: 65.9194533414066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding brain dynamics is important for neuroscience and mental health. Functional magnetic resonance imaging (fMRI) enables the measurement of neural activities through blood-oxygen-level-dependent (BOLD) signals, which represent brain states. In this study, we aim to predict future human resting brain states with fMRI. Due to the 3D voxel-wise spatial organization and temporal dependencies of the fMRI data, we propose a novel architecture which employs a 4D Shifted Window (Swin) Transformer as encoder to efficiently learn spatio-temporal information and a convolutional decoder to enable brain state prediction at the same spatial and temporal resolution as the input fMRI data. We used 100 unrelated subjects from the Human Connectome Project (HCP) for model training and testing. Our novel model has shown high accuracy when predicting 7.2s resting-state brain activities based on the prior 23.04s fMRI time series. The predicted brain states highly resemble BOLD contrast and dynamics. This work shows promising evidence that the spatiotemporal organization of the human brain can be learned by a Swin Transformer model, at high resolution, which provides a potential for reducing the fMRI scan time and the development of brain-computer interfaces in the future.
• Abstract（参考訳）: 脳のダイナミクスを理解することは神経科学と精神健康にとって重要である。 機能的磁気共鳴イメージング(fMRI)は、脳の状態を表す血液酸素レベル依存(BOLD)シグナルを通じて神経活動を測定することができる。 本研究では,fMRIを用いて将来の人間の安静状態を予測することを目的とする。 3Dボクセルの空間的構造とfMRIデータの時間的依存のため,入力fMRIデータと同じ空間的・時間的解像度で脳の状態予測を可能にする畳み込みデコーダをエンコーダとして4Dシフトウインドウ(スウィン)トランスフォーマを用いて,時空間情報を効率的に学習するアーキテクチャを提案する。 我々はHuman Connectome Project(HCP)の無関係な100の被験者をモデルトレーニングとテストに使用した。 従来の23.04s fMRI時系列に基づいて7.2sの安静時脳活動の予測を行った。 予測された脳状態はBOLDコントラストとダイナミックスに非常によく似ている。 この研究は、人間の脳の時空間構造が高解像度でSwin Transformerモデルによって学習できることを示す有望な証拠を示し、fMRIスキャン時間を短縮し、将来脳とコンピュータのインターフェースを開発する可能性を示唆している。

関連論文リスト

• A Survey on fMRI-based Brain Decoding for Reconstructing Multimodal Stimuli [26.07986165893441]
  脳信号を復号して刺激を再構築することで、AI、疾患治療、脳とコンピュータのインターフェースの進歩を加速させる。 ニューロイメージングおよび画像生成モデルの最近の進歩は、fMRIに基づくデコードを大幅に改善した。 本研究は、受動的脳信号からの刺激再構成に焦点を当て、fMRIに基づく脳のデコーディングの最近の進歩を体系的にレビューする。
  論文  参考訳（メタデータ） (2025-03-20T09:23:07Z)
• Predicting Human Brain States with Transformer [45.25907962341717]
  自己注意に基づくモデルでは、以前の21.6sで5.04sまでの脳状態を正確に予測できることが示される。 これらの有望な初期結果は、fMRIデータに対するジェネリックモデルの開発の可能性を示している。
  論文  参考訳（メタデータ） (2024-12-11T00:18:39Z)
• 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)
• 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)
• BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
  本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。 遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
  論文  参考訳（メタデータ） (2024-04-30T10:53:30Z)
• 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)
• SwiFT: Swin 4D fMRI Transformer [17.95502427633986]
  SwiFTS (win 4D fMRI Transformer) は,fMRIのボリュームから直接脳のダイナミクスを学習できるSwin Transformerアーキテクチャである。 複数の大規模静止状態fMRIデータセットを用いてSwiFTを評価し,性別年齢と認知知能を予測する。
  論文  参考訳（メタデータ） (2023-07-12T04:53:36Z)
• Explainable fMRI-based Brain Decoding via Spatial Temporal-pyramid Graph Convolutional Network [0.8399688944263843]
  既存のfMRIベースの脳デコードのための機械学習手法は、分類性能が低いか、説明性が悪いかのいずれかに悩まされている。 本稿では,機能的脳活動の時空間グラフ表現を捉えるために,生物学的にインスパイアされたアーキテクチャである時空間ピラミドグラフ畳み込みネットワーク(STpGCN)を提案する。 我々は,Human Connectome Project (HCP) S1200から23の認知タスク下でのfMRIデータに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2022-10-08T12:14:33Z)

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。