論文の概要: FAIR-ESI: Feature Adaptive Importance Refinement for Electrophysiological Source Imaging

• arxiv url: http://arxiv.org/abs/2601.15731v1
• Date: Thu, 22 Jan 2026 07:57:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-23 21:37:20.53572
• Title: FAIR-ESI: Feature Adaptive Importance Refinement for Electrophysiological Source Imaging
• Title（参考訳）: 電気生理学的ソースイメージングのためのFAIR-ESI
• Authors: Linyong Zou, Liang Zhang, Xiongfei Wang, Jia-Hong Gao, Yi Sun, Shurong Sheng, Kuntao Xiao, Wanli Yang, Pengfei Teng, Guoming Luan, Zhao Lv, Zikang Xu,
• Abstract要約: 脳疾患の診断に欠かせない技術は、電気生理学的ソースイメージング(ESI)である 本稿では、異なる視点における重要性を適応的に洗練する新しいフレームワークであるFAIR-ESIを提案する。 多様な構成を持つ2つのシミュレーションデータセットと、2つの実世界の臨床データセットに関する大規模な実験により、我々のフレームワークの有効性が検証された。
• 参考スコア（独自算出の注目度）: 15.557543532508289
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An essential technique for diagnosing brain disorders is electrophysiological source imaging (ESI). While model-based optimization and deep learning methods have achieved promising results in this field, the accurate selection and refinement of features remains a central challenge for precise ESI. This paper proposes FAIR-ESI, a novel framework that adaptively refines feature importance across different views, including FFT-based spectral feature refinement, weighted temporal feature refinement, and self-attention-based patch-wise feature refinement. Extensive experiments on two simulation datasets with diverse configurations and two real-world clinical datasets validate our framework's efficacy, highlighting its potential to advance brain disorder diagnosis and offer new insights into brain function.
• Abstract（参考訳）: 脳疾患を診断するための重要な技術は、電気生理学的ソースイメージング(ESI)である。 モデルに基づく最適化と深層学習は、この分野において有望な成果を上げてきたが、正確な特徴の選択と改善は、正確なESIにとって重要な課題である。 本稿では、FFTベースのスペクトル特徴改善、重み付け時間的特徴改善、自己注意に基づくパッチワイド特徴改善など、さまざまな視点において特徴の重要性を適応的に洗練する新しいフレームワークであるFAIR-ESIを提案する。 多様な構成を持つ2つのシミュレーションデータセットと、2つの実世界の臨床データセットによる大規模な実験により、我々のフレームワークの有効性が検証され、脳疾患の診断を前進させ、脳機能に関する新たな洞察を提供する可能性を強調した。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• NeuroDx-LM: A Clinical Large-Scale Model for EEG-based Neurological Disorder Detection [7.185477956123345]
  脳電図(EEG)で事前訓練された大規模モデルは、神経疾患検出などの臨床応用において有望である。 NeuroDx-LMは、脳波に基づく神経疾患を検出するために特別に設計された新しい大規模モデルである。
  論文  参考訳（メタデータ） (2025-08-11T16:02:25Z)
• NeuroMoE: A Transformer-Based Mixture-of-Experts Framework for Multi-Modal Neurological Disorder Classification [3.5313393560458826]
  Deep Learningは最近、診断を助けるために医療データから意味のあるパターンを抽出する強力なツールとして登場した。 神経疾患を分類するための新しいトランスフォーマーベースのMixture-of-Experts(MoE)フレームワークを提案する。 我々のフレームワークは82.47%の検証精度を達成し、ベースライン法を10%以上上回っている。
  論文  参考訳（メタデータ） (2025-06-17T20:40:06Z)
• Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
  我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。 NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。 年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-06-11T23:51:01Z)
• Structure-Accurate Medical Image Translation via Dynamic Frequency Balance and Knowledge Guidance [60.33892654669606]
  拡散モデルは,必要な医用画像を合成するための強力な戦略である。 既存のアプローチはまだ、高周波情報の過度な適合による解剖学的構造歪みの問題に悩まされている。 本稿では,動的周波数バランスと知識指導に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-13T05:48:13Z)
• MoEDiff-SR: Mixture of Experts-Guided Diffusion Model for Region-Adaptive MRI Super-Resolution [8.193689534916988]
  Moediff-SRは、領域適応型MRI超解像(SR)のためのMixture of Experts(MoE)誘導拡散モデルである 画像全体にわたって均一な復調過程を適用する従来の拡散ベースSRモデルとは異なり、Moediff-SRは微粒なトークンレベルで特殊復調の専門家を動的に選択する。 実験の結果,Moediff-SRは画像品質の定量的指標,知覚的忠実度,計算効率において,既存の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-04-09T22:12:44Z)
• FoME: A Foundation Model for EEG using Adaptive Temporal-Lateral Attention Scaling [19.85701025524892]
  FoME (Foundation Model for EEG) は適応的側方アテンションスケーリングを用いた新しいアプローチである。 FoMEは1.7TBの頭皮と頭蓋内脳波記録のデータセットで事前訓練されており、1,096kのステップで745Mのパラメータが訓練されている。
  論文  参考訳（メタデータ） (2024-09-19T04:22:40Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Identification of Autism spectrum disorder based on a novel feature selection method and Variational Autoencoder [7.0876609220947655]
  安静時機能的磁気共鳴画像(rs-fMRI)のような非侵襲的脳イメージングは、自閉症スペクトラム障害(ASD)の早期診断に有望な解決策である 本稿では rs-fMRI に基づく ASD 診断を支援するための分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-07T08:50:48Z)

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。