論文の概要: NeuroGAN-3D: Enhancing Intrinsic Functional Brain Networks via High-Fidelity 3D Generative Super-Resolution

• arxiv url: http://arxiv.org/abs/2605.08373v1
• Date: Fri, 08 May 2026 18:29:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.592482
• Title: NeuroGAN-3D: Enhancing Intrinsic Functional Brain Networks via High-Fidelity 3D Generative Super-Resolution
• Title（参考訳）: NeuroGAN-3D:高忠実度3D生成超解法による内因性機能脳ネットワークの強化
• Authors: M. Moein Esfahani, Sepehr Salem Ghahfarokhi, Mohammed Alser, Jingyu Liu, Vince Calhoun,
• Abstract要約: 本稿では,3次元超解像モデルNeuroGAN-3Dを提案する。 本モデルでは,RS-fMRI空間マップの空間分解能を向上させるために,生成的対向ネットワークアーキテクチャを活用し,従来のベースラインを著しく上回っている。
• 参考スコア（独自算出の注目度）: 3.459488505282023
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in neuroimaging have deepened our understanding of the brain's complex functional and structural organization. Among these, functional Magnetic Resonance Imaging (fMRI) - particularly resting-state fMRI (rs-fMRI) - has emerged as a tool for identifying biomarkers of intrinsic brain connectivity and delineating large-scale neural networks. These networks are typically represented as volumetric spatial maps that capture functionally coherent brain regions and reflect individual differences in brain activity and structure. The spatial resolution of these maps plays an important role, as it determines the ability to localize functional units with precision, perform reliable brain parcellation, and detect subtle, spatially specific neurobiological alterations associated with development, aging, or disease. Therefore, improving the effective resolution of neuroimaging-derived maps holds significant promise for enabling more detailed insights into brain architecture and its relationship to behavior and pathology. To address this need, we propose NeuroGAN-3D, a novel 3D generative super-resolution model tailored to the computational demands of volumetric neuroimaging. Our model leverages a generative adversarial network architecture to enhance the spatial resolution of rs-fMRI spatial maps, significantly outperforming a conventional baseline.
• Abstract（参考訳）: 神経イメージングの最近の進歩は、脳の複雑な機能的・構造的構造に対する理解を深めている。 これらのうち、機能的磁気共鳴イメージング(fMRI)、特に静止状態fMRI(rs-fMRI)は、固有の脳との接続のバイオマーカーを識別し、大規模ニューラルネットワークをデライン化するためのツールとして登場した。 これらのネットワークは典型的には、機能的に整合した脳の領域を捉え、脳の活動と構造における個々の違いを反映する体積空間地図として表現される。 これらの地図の空間分解能は、機能単位を精度で局所化し、信頼できる脳のパーセレーションを実行し、発達、老化、疾患に関連する微妙で空間特異的な神経生物学的変化を検出する能力を決定するために重要な役割を果たす。 したがって、ニューロイメージング由来の地図の効果的な解像度を改善することは、脳のアーキテクチャと行動や病理との関係についてより詳細な洞察を可能にするための重要な約束である。 このニーズに対処するため,我々は,ボリューム・ニューロイメージングの計算要求に合わせて,新しい3D生成超解像モデルであるNeuroGAN-3Dを提案する。 本モデルでは,RS-fMRI空間マップの空間分解能を向上させるために,生成的対向ネットワークアーキテクチャを活用し,従来のベースラインを著しく上回っている。

関連論文リスト

• Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
  脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。 本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。 VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
  論文  参考訳（メタデータ） (2025-10-14T17:44:45Z)
• 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)
• NeuroTree: Hierarchical Functional Brain Pathway Decoding for Mental Health Disorders [8.204402796073824]
  我々は、k-hop AGE-GCNとニューラル常微分方程式(ODE)とコントラッシブマスク機能接続(CMFC)を統合した学習可能なNeuroTreeフレームワークを提案する。 NeuroTreeはfMRIネットワーク機能を木構造に効果的にデコードし、高次脳局所経路の特徴の捕捉を改善する。 これは、年齢に関連する劣化パターンに関する貴重な洞察を与え、その基盤となる神経機構を解明する。
  論文  参考訳（メタデータ） (2025-02-26T03:42:58Z)
• Brain-like Functional Organization within Large Language Models [58.93629121400745]
  人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた 最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。 本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。 このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
  論文  参考訳（メタデータ） (2024-10-25T13:15:17Z)
• NeuroBOLT: Resting-state EEG-to-fMRI Synthesis with Multi-dimensional Feature Mapping [15.811159139388971]
  我々は,脳内のfMRI活動信号に生の脳波データを変換するためにNeuroBOLT,すなわちNeuro-to-BOLD Transformerを導入する。 実験の結果,NeuroBOLTは一次感覚野,高レベル認知領域,深部皮質下脳領域から観測不能なfMRI信号を効果的に再構成することがわかった。
  論文  参考訳（メタデータ） (2024-10-07T02:47:55Z)
• 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)
• Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
  脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。 本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。 臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-05-06T03:45:36Z)

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。