論文の概要: T2I-Diff: fMRI Signal Generation via Time-Frequency Image Transform and Classifier-Free Denoising Diffusion Models

• arxiv url: http://arxiv.org/abs/2509.20822v1
• Date: Thu, 25 Sep 2025 07:08:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.743746
• Title: T2I-Diff: fMRI Signal Generation via Time-Frequency Image Transform and Classifier-Free Denoising Diffusion Models
• Title（参考訳）: T2I-Diff: 時間周波数画像変換によるfMRI信号生成と無分類拡散モデル
• Authors: Hwa Hui Tew, Junn Yong Loo, Yee-Fan Tan, Xinyu Tang, Hernando Ombao, Fuad Noman, Raphael C. -W. Phan, Chee-Ming Ting,
• Abstract要約: 本稿では,BOLD信号の時間周波数表現を利用するfMRI生成フレームワークであるT2I-Diffを紹介する。 ダウンストリームfMRIを用いた脳ネットワーク分類において,精度の向上と一般化を実証した。
• 参考スコア（独自算出の注目度）: 10.21645911536505
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Functional Magnetic Resonance Imaging (fMRI) is an advanced neuroimaging method that enables in-depth analysis of brain activity by measuring dynamic changes in the blood oxygenation level-dependent (BOLD) signals. However, the resource-intensive nature of fMRI data acquisition limits the availability of high-fidelity samples required for data-driven brain analysis models. While modern generative models can synthesize fMRI data, they often underperform because they overlook the complex non-stationarity and nonlinear BOLD dynamics. To address these challenges, we introduce T2I-Diff, an fMRI generation framework that leverages time-frequency representation of BOLD signals and classifier-free denoising diffusion. Specifically, our framework first converts BOLD signals into windowed spectrograms via a time-dependent Fourier transform, capturing both the underlying temporal dynamics and spectral evolution. Subsequently, a classifier-free diffusion model is trained to generate class-conditioned frequency spectrograms, which are then reverted to BOLD signals via inverse Fourier transforms. Finally, we validate the efficacy of our approach by demonstrating improved accuracy and generalization in downstream fMRI-based brain network classification.
• Abstract（参考訳）: 機能的磁気共鳴イメージング(Feature Magnetic Resonance Imaging、fMRI)は、血液酸素濃度依存性(BOLD)シグナルの動的変化を測定することによって、脳活動の詳細な分析を可能にする高度な神経イメージング法である。 しかし、fMRIデータ取得の資源集約性は、データ駆動脳分析モデルに必要な高忠実度サンプルの入手を制限している。 現代の生成モデルはfMRIデータを合成できるが、それらは複雑な非定常性や非線形BOLDのダイナミクスを見落としているため、しばしば性能が劣る。 これらの課題に対処するために,BOLD信号の時間周波数表現と分類器不要な復調拡散を利用したfMRI生成フレームワークT2I-Diffを導入する。 具体的には,BOLD信号を時間依存フーリエ変換によりウィンドウ化スペクトログラムに変換し,その基礎となる時間的ダイナミクスとスペクトルの進化を捉える。 その後、クラス条件付き周波数スペクトログラムを生成するために分類器フリー拡散モデルが訓練され、逆フーリエ変換によりBOLD信号に変換される。 最後に, ダウンストリームfMRIを用いた脳ネットワーク分類において, 精度の向上と一般化を図り, 提案手法の有効性を検証した。

関連論文リスト

• FreqSelect: Frequency-Aware fMRI-to-Image Reconstruction [5.472733223067372]
  FreqSelectは軽量で適応的なモジュールで、符号化する前に空間周波数帯域を選択的にフィルタリングする。 低レベルのメトリクスと高レベルのメトリクスの両方にわたって、再構築品質を継続的に改善します。 本手法は主題や場面にまたがって一般化し,他のモダリティへの拡張を約束する。
  論文  参考訳（メタデータ） (2025-05-18T21:45:06Z)
• Brain Effective Connectivity Estimation via Fourier Spatiotemporal Attention [28.16273684461348]
  時間的・空間的注意(FSTA-EC)に基づく脳能動接続推定法を提案する。 FSTA-ECは、フーリエの注意と注意を組み合わせて、fMRIデータからシリーズ間(時間的)のダイナミックスとシリーズ内(時間的)の依存関係を同時にキャプチャする。 シミュレーションおよびリアルタイムfMRIデータセットの実験結果から,提案手法は最先端の手法と比較して優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2025-03-14T10:41:27Z)
• A scalable generative model for dynamical system reconstruction from neuroimaging data [5.777167013394619]
  データ駆動推論は、観測された時系列の集合に基づく生成力学の推論であり、機械学習への関心が高まっている。 動的システム再構成(DSR)に特化した状態空間モデル(SSM)のトレーニング技術における最近の進歩は、基礎となるシステムの回復を可能にする。 本稿では,この問題を解く新しいアルゴリズムを提案し,モデル次元とフィルタ長とを比較検討する。
  論文  参考訳（メタデータ） (2024-11-05T09:45:57Z)
• 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)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Sequential Transfer Learning to Decode Heard and Imagined Timbre from fMRI Data [0.0]
  機能的磁気共鳴イメージング(fMRI)データを用いたトランスフォーマーのシーケンシャルトランスフォーメーション学習フレームワークを提案する。 第1フェーズでは、Next Thought Prediction上でスタック化されたエンコーダ変換アーキテクチャを事前訓練する。 第2フェーズでは、同じ音色を聴きながら、fMRIデータの2つのシーケンスが記録されたかどうかを予測する教師付きタスクにおいて、モデルを微調整し、新たなモデルを訓練する。
  論文  参考訳（メタデータ） (2023-05-22T16:58:26Z)
• Joint fMRI Decoding and Encoding with Latent Embedding Alignment [77.66508125297754]
  我々はfMRIデコーディングと符号化の両方に対処する統合フレームワークを導入する。 本モデルでは、fMRI信号から視覚刺激を同時に回復し、統合された枠組み内の画像から脳活動を予測する。
  論文  参考訳（メタデータ） (2023-03-26T14:14:58Z)

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。