論文の概要: Diffusion-based translation between unpaired spontaneous premature neonatal EEG and fetal MEG
- arxiv url: http://arxiv.org/abs/2507.14224v1
- Date: Wed, 16 Jul 2025 15:50:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-22 20:51:31.781607
- Title: Diffusion-based translation between unpaired spontaneous premature neonatal EEG and fetal MEG
- Title（参考訳）: 未熟児新生児脳波と胎児脳波の拡散に基づく翻訳
- Authors: Benoît Brebion, Alban Gallard, Katrin Sippel, Amer Zaylaa, Hubert Preissl, Sahar Moghimi, Fabrice Wallois, Yaël Frégier,
- Abstract要約: 早産児の脳活動は脳波(EEG)を用いて伝統的に研究されてきた
子宮内環境における神経活動を記録する唯一の方法は胎児脳磁図(fMEG)である。
- 参考スコア（独自算出の注目度）: 1.1292693568898364
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background and objective: Brain activity in premature newborns has traditionally been studied using electroencephalography (EEG), leading to substantial advances in our understanding of early neural development. However, since brain development takes root at the fetal stage, a critical window of this process remains largely unknown. The only technique capable of recording neural activity in the intrauterine environment is fetal magnetoencephalography (fMEG), but this approach presents challenges in terms of data quality and scarcity. Using artificial intelligence, the present research aims to transfer the well-established knowledge from EEG studies to fMEG to improve understanding of prenatal brain development, laying the foundations for better detection and treatment of potential pathologies. Methods: We developed an unpaired diffusion translation method based on dual diffusion bridges, which notably includes numerical integration improvements to obtain more qualitative results at a lower computational cost. Models were trained on our unpaired dataset of bursts of spontaneous activity from 30 high-resolution premature newborns EEG recordings and 44 fMEG recordings. Results: We demonstrate that our method achieves significant improvement upon previous results obtained with Generative Adversarial Networks (GANs), by almost 5% on the mean squared error in the time domain, and completely eliminating the mode collapse problem in the frequency domain, thus achieving near-perfect signal fidelity. Conclusion: We set a new state of the art in the EEG-fMEG unpaired translation problem, as our developed tool completely paves the way for early brain activity analysis. Overall, we also believe that our method could be reused for other unpaired signal translation applications.
- Abstract（参考訳）: 背景と目的: 早産児の脳活動は、伝統的に脳波(EEG)を用いて研究され、初期の神経発達の理解にかなりの進歩をもたらした。
しかし、胎児期には脳の発達がルーツとなるため、この過程の重要な窓はいまだに不明である。
子宮内環境下で神経活動を記録できる唯一の技術は胎児脳磁図(fMEG)であるが、この手法はデータ品質と不足の点で課題を呈している。
本研究は,脳波研究からfMEGに高度に確立された知識を移譲し,出生前脳の発達の理解を深めることを目的とする。
方法: 2次元拡散橋を用いた非対流拡散変換法を開発した。
モデルは、高解像度の未熟児脳波記録と44fMEG記録から得られた自然活動のバーストデータセットに基づいて訓練された。
結果: 提案手法は, GAN(Generative Adversarial Networks)により得られた従来の結果に対して, 時間領域の平均2乗誤差を約5%改善し, 周波数領域におけるモード崩壊問題を完全に排除し, ほぼ完全な信号忠実性を実現する。
結論:我々は脳波-fMEG不適合翻訳問題に新たな最先端技術を導入し,脳活動の早期分析の道のりを開拓した。
また,本手法を他の未使用信号翻訳アプリケーションに再利用できると考えている。
関連論文リスト
- Naturalistic Language-related Movie-Watching fMRI Task for Detecting Neurocognitive Decline and Disorder [60.84344168388442]
言語関連機能的磁気共鳴画像(fMRI)は,認知機能低下と早期NCDの検出に有望なアプローチである。
香港在住の高齢者97名を対象に,この課題の有効性について検討した。
本研究は、加齢に伴う認知低下とNCDの早期発見のための自然言語関連fMRIタスクの可能性を示した。
論文 参考訳（メタデータ） (2025-06-10T16:58:47Z) - Interpretation of Deep Learning Model in Embryo Selection for In Vitro Fertilization (IVF) Treatment [0.0]
専門家の胚学者は、通常、胚を選別するためにブラストシストの画像をレビューすることで、胚を格付けする。
本研究では、畳み込みニューラルネットワーク(CNN)と長期記憶アーキテクチャ(LSTM)を融合した、胚を分類するための説明可能な人工知能フレームワークを提案する。
本モデルは,XAIによる解釈性を維持しつつ,胚の分類において高い精度を達成する。
論文 参考訳（メタデータ） (2025-06-07T06:25:22Z) - Streamline tractography of the fetal brain in utero with machine learning [7.164734676863147]
本研究は胎児のトラクトグラフィーにおける最初の機械学習モデルである。
妊娠23週から36週の無作為な11検体で,手作業による全脳胎児体幹画像の訓練を行い,訓練モデルの妥当性を検証した。
論文 参考訳（メタデータ） (2024-08-26T14:54:14Z) - LoCI-DiffCom: Longitudinal Consistency-Informed Diffusion Model for 3D Infant Brain Image Completion [45.361733575664886]
乳児の脳画像補完のための新しい長周期インフォームド拡散モデルであるLoCI-DiffComを提案する。
提案手法は,コンテキスト認識の整合性を確保しつつ,個別化された発達特徴を抽出することができる。
論文 参考訳（メタデータ） (2024-05-17T10:53:40Z) - EEGDiR: Electroencephalogram denoising network for temporal information storage and global modeling through Retentive Network [11.491355463353731]
我々はRetnetを自然言語処理から脳波分解まで導入する。
Retnetの脳波への直接的適用は脳波信号の1次元の性質のため不可能である。
本稿では,1次元の脳波信号を2次元に変換してネットワーク入力として用いる信号埋め込み手法を提案する。
論文 参考訳（メタデータ） (2024-03-20T15:04:21Z) - Cas-DiffCom: Cascaded diffusion model for infant longitudinal
super-resolution 3D medical image completion [47.83003164569194]
超高分解能・高分解能3次元乳児脳MRIにおける2段階拡散モデルCas-DiffComを提案する。
Cas-DiffCom は縦型乳幼児脳画像における個々の一貫性と高忠実度を両立することを確認した。
論文 参考訳（メタデータ） (2024-02-21T12:54:40Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳（メタデータ） (2020-08-29T11:50:37Z)
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。