論文の概要: StableMind: Source-Free Cross-Subject fMRI Decoding with Regularized Adaptation
- arxiv url: http://arxiv.org/abs/2605.02586v1
- Date: Mon, 04 May 2026 13:35:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:50.306408
- Title: StableMind: Source-Free Cross-Subject fMRI Decoding with Regularized Adaptation
- Title（参考訳）: StableMind: 正規化適応によるソースフリークロスオブジェクトfMRIデコーディング
- Authors: Jintao Guo, Lin Wang, Shumeng Li, Jian Zhang, Yulin Zhou, Luyang Cao, Hairong Zheng, Yinghuan Shi,
- Abstract要約: クロスオブジェクトfMRI復号法は、通常、複数の被検体でモデルを訓練し、実際のfMRI画像データを用いて新しい被検体に適応させる。
新たなサブジェクトfMRIデータは、コストのかかるデータ取得のために制限されることが多く、以前の被験者の生データはアクセスできない場合がある。
本稿では,脳側表現安定性と画像側監視信頼性の向上を目的とした正規化適応フレームワークであるStableMindを提案する。
- 参考スコア（独自算出の注目度）: 39.71471941739569
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing cross-subject fMRI decoding methods typically train a model on multiple scanned subjects and then adapt it to a new subject using substantial paired fMRI-image data. However, in realistic scenarios, new-subject fMRI data are often limited due to costly data acquisition, and raw data from previous subjects may be inaccessible, leading existing methods to suffer performance degradation during new-subject adaptation. In this paper, we identify that this degradation stems from two key issues: brain-side instability caused by large subject differences in fMRI responses, and image-side supervision unreliability caused by fine-grained visual details that are not reliably supported by limited fMRI signals. To address these challenges, we propose StableMind, a regularized adaptation framework designed to improve brain-side representation stability and image-side supervision reliability. (1) To stabilize brain representations, StableMind reuses ridge projections from the pretrained model as adaptation priors to constrain limited-data new-subject adaptation, and applies Fourier-based feature-level brain augmentation to improve robustness to individual variability. (2) To improve image supervision reliability, StableMind introduces difficulty-aware image blur for brain-image alignment, reducing the influence of fine-grained visual details that are weakly supported by limited fMRI signals while preserving stable visual structure. Experiments on the Natural Scenes Dataset under a unified 1-hour adaptation protocol demonstrate that StableMind achieves 84.02% image retrieval accuracy and 81.66% brain retrieval accuracy averaged over four subjects, surpassing the state-of-the-art method by 5.71% brain retrieval accuracy with fewer trainable adaptation parameters. Our code is available at https://github.com/lingeringlight/StableMind.
- Abstract（参考訳）: 既存のオブジェクト間のfMRI復号法は、通常、複数のスキャン対象のモデルを訓練し、実際のfMRI画像データを用いて新しい対象に適応させる。
しかし、現実的なシナリオでは、新しいオブジェクトfMRIデータは、コストのかかるデータ取得のために制限されることが多く、以前の被験者の生データはアクセスできない可能性があるため、既存の手法は、新しいオブジェクト適応時に性能劣化を被ることになる。
本稿では、この劣化は、fMRI応答の大きな被験者差に起因する脳側の不安定性と、fMRI信号によって確実にサポートされないきめ細かな視覚的詳細に起因する画像側の不確実性という2つの主要な問題から生じるものであることを確かめる。
これらの課題に対処するために、脳側の表現安定性と画像側の監督信頼性を改善するために設計された正規化適応フレームワークであるStableMindを提案する。
1)脳の表現を安定させるために、StableMindは、限定データ新オブジェクト適応の制約に先立って、事前訓練されたモデルからの隆起を適応として再利用し、Fourierベースの特徴レベル脳拡張を適用して、個々の変動性に対する堅牢性を向上させる。
2) 画像監視の信頼性を向上させるため,StableMindでは,脳画像アライメントの難易度を意識した画像ぼかしを導入し,安定した視覚構造を維持しつつ,限られたfMRI信号によって弱められたきめ細かな視覚的詳細の影響を低減した。
統合された1時間適応プロトコルの下でのNatural Scenesデータセットの実験では、StableMindは4つの被験者の平均84.02%の画像検索精度と81.66%の脳検索精度を達成し、トレーニング可能な適応パラメータを減らして5.71%の精度で最先端の精度を上回った。
私たちのコードはhttps://github.com/lingeringlight/StableMind.comで利用可能です。
関連論文リスト
- Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。
モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。
この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
論文 参考訳（メタデータ） (2026-04-13T03:59:54Z) - Robust by Design: A Continuous Monitoring and Data Integration Framework for Medical AI [0.779547724026871]
我々は、時間とともに堅牢なパフォーマンスを維持する自律的な継続的監視およびデータ統合フレームワークを提案する。
本手法では,モンテカルロのドロップアウトに基づく不確実性ゲーティングとマルチメトリック特徴解析を用いて,新しいデータの再トレーニングのタイミングを決定する。
マルチセンタデータセット上のResNet18アンサンブルによる実験では、このフレームワークはパフォーマンスの劣化を防ぐ。
論文 参考訳（メタデータ） (2026-04-10T06:22:00Z) - 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) - Self-Supervised Cross-Encoder for Neurodegenerative Disease Diagnosis [6.226851122403944]
縦型MRIスキャンにおける時間的連続性を利用した自己監督型クロスエンコーダフレームワークを提案する。
このフレームワークは、学習した表現を2つのコンポーネントに分解する: 静的表現は、対照的な学習によって制約され、安定した解剖学的特徴を捉え、動的表現は、時間的変化を反映する入力漸進正規化によってガイドされる。
アルツハイマー病神経画像イニシアチブデータセットの実験結果から,本手法は分類精度が向上し,解釈性が向上することが示された。
論文 参考訳（メタデータ） (2025-09-09T11:52:24Z) - Susceptibility Distortion Correction of Diffusion MRI with a single Phase-Encoding Direction [0.0]
本稿では,1回の取得のみを用いて,受容可能性歪みを補正するための深層学習に基づくアプローチを提案する。
実験結果から,提案手法はトップアップに匹敵する性能を実現することが示された。
論文 参考訳（メタデータ） (2025-08-18T19:56:03Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。
我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - MindShot: Brain Decoding Framework Using Only One Image [21.53687547774089]
MindShotは、クロスオブジェクトの事前知識を活用することで、効果的に数発のブレインデコーディングを実現するために提案されている。
新しい被験者と事前訓練された個人は、同じ意味クラスのイメージのみを見る必要があり、モデルの適用性を大幅に拡大する。
論文 参考訳（メタデータ） (2024-05-24T07:07:06Z) - 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) - Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。
その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳（メタデータ） (2022-04-11T17:29:36Z) - Uncertainty-aware GAN with Adaptive Loss for Robust MRI Image
Enhancement [3.222802562733787]
条件付き生成逆数ネットワーク (GAN) は, 画像-画像-画像マッピングの学習において, 性能が向上している。
本稿では,(i)OODノイズデータに対するロバスト性を考慮した適応損失関数をモデル化し,(ii)予測におけるボクセル当たりの不確かさを推定するGANベースのフレームワークを提案する。
医用画像における2つの重要な応用として, (i) 磁気共鳴画像(MRI) 再構成 (ii) MRI のモダリティ伝搬について検討した。
論文 参考訳（メタデータ） (2021-10-07T11:29:03Z)
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。