論文の概要: Beyond Grid-Locked Voxels: Neural Response Functions for Continuous Brain Encoding
- arxiv url: http://arxiv.org/abs/2510.07342v1
- Date: Tue, 07 Oct 2025 18:26:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-10 17:54:14.627312
- Title: Beyond Grid-Locked Voxels: Neural Response Functions for Continuous Brain Encoding
- Title（参考訳）: グリッド同期ボクセルを超えて - 連続脳エンコーディングのためのニューラル応答関数
- Authors: Haomiao Chen, Keith W Jamison, Mert R. Sabuncu, Amy Kuceyeski,
- Abstract要約: fMRIデータは3Dボリュームのボクセルとして取得され、各ボクセルは脳内の空間的位置が決定される。
従来の符号化モデルは、しばしばこの体積を1次元ベクトルに平坦化し、ボクセル応答を独立した出力として扱う。
本稿では,fMRIの活動を解剖学的空間上の連続関数としてモデル化するフレームワークであるNeural Response Function (NRF)を紹介する。
- 参考スコア（独自算出の注目度）: 4.586830141349792
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural encoding models aim to predict fMRI-measured brain responses to natural images. fMRI data is acquired as a 3D volume of voxels, where each voxel has a defined spatial location in the brain. However, conventional encoding models often flatten this volume into a 1D vector and treat voxel responses as independent outputs. This removes spatial context, discards anatomical information, and ties each model to a subject-specific voxel grid. We introduce the Neural Response Function (NRF), a framework that models fMRI activity as a continuous function over anatomical space rather than a flat vector of voxels. NRF represents brain activity as a continuous implicit function: given an image and a spatial coordinate (x, y, z) in standardized MNI space, the model predicts the response at that location. This formulation decouples predictions from the training grid, supports querying at arbitrary spatial resolutions, and enables resolution-agnostic analyses. By grounding the model in anatomical space, NRF exploits two key properties of brain responses: (1) local smoothness -- neighboring voxels exhibit similar response patterns; modeling responses continuously captures these correlations and improves data efficiency, and (2) cross-subject alignment -- MNI coordinates unify data across individuals, allowing a model pretrained on one subject to be fine-tuned on new subjects. In experiments, NRF outperformed baseline models in both intrasubject encoding and cross-subject adaptation, achieving high performance while reducing the data size needed by orders of magnitude. To our knowledge, NRF is the first anatomically aware encoding model to move beyond flattened voxels, learning a continuous mapping from images to brain responses in 3D space.
- Abstract（参考訳）: ニューラルエンコーディングモデルは、自然画像に対するfMRIによる脳反応を予測することを目的としている。
fMRIデータは3Dボリュームのボクセルとして取得され、各ボクセルは脳内の空間的位置が決定される。
しかし、従来の符号化モデルは、しばしばこの体積を1次元ベクトルに平坦化し、ボクセル応答を独立した出力として扱う。
これにより、空間的コンテキストを排除し、解剖学的情報を破棄し、各モデルを主題固有のボクセルグリッドに結び付ける。
本稿では,fMRIの活動をボクセルの平坦なベクトルではなく,解剖学的空間上の連続関数としてモデル化するフレームワークであるNeural Response Function (NRF)を紹介する。
画像と空間座標 (x, y, z) が標準MNI空間で与えられると、モデルはその位置での応答を予測する。
この定式化は、トレーニンググリッドから予測を分離し、任意の空間解像度でのクエリをサポートし、解像度に依存しない分析を可能にする。
局所的滑らかさ - 隣接するボクセルは同様の反応パターンを示し、モデリング応答はこれらの相関関係を継続的に捉え、データ効率を改善し、(2)オブジェクト間のアライメント - MNIは個人間でデータを統一し、ある被験者で事前訓練されたモデルを新しい被験者に微調整する。
実験では、NRFは、オブジェクト内符号化とクロスオブジェクト適応の両方においてベースラインモデルより優れており、桁違いのデータサイズを小さくしながら高い性能を実現している。
我々の知る限り、NRFは3次元空間における画像から脳反応への連続的なマッピングを学習し、平らなボクセルを超えて動く最初の解剖学的認識型符号化モデルである。
関連論文リスト
- Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。
コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。
本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
論文 参考訳（メタデータ） (2025-10-05T12:35:01Z) - Rest2Visual: Predicting Visually Evoked fMRI from Resting-State Scans [30.743554598059692]
本研究では、静止状態入力と2次元視覚刺激から視覚誘発されたfMRI(ve-fMRI)を予測する条件生成モデルであるRest2Visualを紹介する。
この結果から,自発神経活動の個別化が刺激に適応した表現に変換できることが示唆された。
論文 参考訳（メタデータ） (2025-09-17T01:08:03Z) - From Flat to Round: Redefining Brain Decoding with Surface-Based fMRI and Cortex Structure [11.760848227175591]
人間の脳活動(例えばfMRI)から視覚刺激を再構築することは神経科学とコンピュータビジョンを橋渡しする。
球面上の空間的コヒーレントな2次元球面データとしてfMRI信号を明示的にモデル化する新しいスフィア・トークンーザを提案する。
また、構造MRIデータの統合も提案し、個々の解剖学的変動をパーソナライズした符号化を可能にする。
論文 参考訳（メタデータ） (2025-07-22T09:34:39Z) - Voxel-Level Brain States Prediction Using Swin Transformer [65.9194533414066]
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。
論文 参考訳（メタデータ） (2025-06-13T04:14:38Z) - 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) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - 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) - Data-driven modelling of brain activity using neural networks, Diffusion
Maps, and the Koopman operator [0.0]
タスク依存型fMRIデータから脳活動の長期外ダイナミクスをモデル化するための機械学習手法を提案する。
我々は拡散写像(DM)を用いて、創発的な高次元fMRI時系列が進化する低次元多様体をパラメータ化する変数の集合を発見する。
組込み多様体上にFNN(Feedforward Neural Networks)とクープマン演算子(Koopman operator)という2つの手法を用いて、低次モデル(ROM)を構築する。
論文 参考訳（メタデータ） (2023-04-24T09:08:12Z) - Deep Representations for Time-varying Brain Datasets [4.129225533930966]
本稿では、領域マップされたfMRIシーケンスと構造接続性の両方を入力として組み込んだ効率的なグラフニューラルネットワークモデルを構築する。
サンプルレベルの適応的隣接行列を学習することで、潜伏する脳のダイナミクスのよい表現を見つけ出す。
これらのモジュールは容易に適応でき、神経科学領域以外の用途にも有用である可能性がある。
論文 参考訳（メタデータ） (2022-05-23T21:57:31Z) - A Hybrid 3DCNN and 3DC-LSTM based model for 4D Spatio-temporal fMRI
data: An ABIDE Autism Classification study [0.0]
本稿では,3次元CNNと3次元磁気LSTMを用いて,全4次元データから特徴を抽出できるエンドツーエンドアルゴリズムを提案する。
提案手法は,NYUサイトとUMサイトにおいて,F1スコア0.78,0.7の単一サイトにおいて,技術結果の状態を達成できることを示す。
論文 参考訳（メタデータ） (2020-02-14T11:52:00Z)
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。