論文の概要: Isolating Nonlinear Independent Sources in fMRI with $β$-TCVAE Models

• arxiv url: http://arxiv.org/abs/2605.16708v1
• Date: Fri, 15 May 2026 23:45:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 23:51:08.333501
• Title: Isolating Nonlinear Independent Sources in fMRI with $β$-TCVAE Models
• Title（参考訳）: β$-TCVAEモデルを用いたfMRIにおける非線形独立音源の分離
• Authors: Qiang Li, Shujian Yu, Jesus Malo, Jingyu Liu, Tülay Adali, Vince D. Calhoun,
• Abstract要約: $-TCVAE (Total correlation Variational Autoencoder) は、潜在表現を学習するための$-VAEフレームワークの改良版である。 このフレームワークは生物学的な関連性によって意味のある非線形空間成分を復元できることを示す。 機能的ネットワーク接続を用いて学習した表現を評価し、潜在構造がコヒーレントで解釈可能な脳組織パターンを捉えていることを示す。
• 参考スコア（独自算出の注目度）: 42.855624695568345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning meaningful latent representations from nonlinear fMRI data remains a fundamental challenge in neuroimaging analysis. Traditional independent component analysis, widely used due to its ability to estimate interpretable functional brain networks, relies on a linear mixing assumption for latent sources, limiting its ability to capture the inherently nonlinear and complex organization of brain dynamics. More recently, deep representation learning methods have emerged as promising alternatives for modeling nonlinear latent structure. However, many of these approaches have been evaluated primarily on simulated datasets or natural image benchmarks, with comparatively limited validation on real-world neuroimaging data such as fMRI. In this work, we are motivated by the $β$-TCVAE (Total Correlation Variational Autoencoder), a refinement of the $β$-VAE framework for learning latent representations without introducing additional hyperparameters during training. We adapt and modify this model to fMRI data for nonlinear source disentanglement, aiming to separate mixed spatial and temporal brain signals into interpretable components. We show that the $β$-TCVAE framework can recover meaningful nonlinear spatial components with biological relevance, including well-established intrinsic connectivity networks such as the default mode network. Furthermore, we evaluate the learned representations using functional network connectivity, showing that the latent structure captures coherent and interpretable brain organization patterns. This study provides a pilot investigation that bridges nonlinear representation learning and fMRI analysis.
• Abstract（参考訳）: 非線形fMRIデータから有意義な潜在表現を学習することは、神経画像解析における根本的な課題である。 伝統的な独立成分分析は、解釈可能な機能的脳ネットワークを推定する能力から広く使われており、潜在源の線形混合仮定に依存しており、本質的に非線形で複雑な脳力学の組織を捉える能力を制限する。 近年,非線形潜在構造をモデル化する手段として,深層表現学習法が注目されている。 しかし、これらのアプローチの多くは、主にシミュレーションデータセットや自然画像のベンチマークに基づいて評価され、fMRIのような実世界のニューロイメージングデータに対する比較的限定的な検証がなされている。 本研究では,学習中に追加のハイパーパラメータを導入することなく遅延表現を学習するための$β$-TCVAEフレームワークの改良である$β$-TCVAE(Total correlation Variational Autoencoder)を動機としている。 我々は、このモデルを非線型音源歪みのためのfMRIデータに適応・修正し、空間的信号と時間的信号の混在を解釈可能な成分に分離することを目的としている。 我々は,β$-TCVAEフレームワークが,既定モードネットワークなどの固有接続ネットワークを含む,生物学的関連性を持った有意義な非線形空間成分を復元可能であることを示す。 さらに,機能的ネットワーク接続を用いて学習した表現を評価し,その潜在構造がコヒーレントかつ解釈可能な脳組織パターンを捉えていることを示す。 本研究は非線形表現学習とfMRI解析を橋渡しするパイロット研究を提供する。

関連論文リスト

• Toward a Multi-View Brain Network Foundation Model: Cross-View Consistency Learning Across Arbitrary Atlases [62.33465338932216]
  MV-BrainFMは任意のアトラスで構築された脳ネットワークから一般化可能でスケーラブルな表現を学ぶために設計された多視点脳ネットワーク基盤モデルである。 17のfMRIデータセットから20万名以上の被験者を対象に行った実験では、MV-BrainFMは既存の14の脳ネットワーク基盤モデルより一貫して優れていた。
  論文  参考訳（メタデータ） (2026-03-20T11:55:00Z)
• NeuroMambaLLM: Dynamic Graph Learning of fMRI Functional Connectivity in Autistic Brains Using Mamba and Language Model Reasoning [0.0]
  我々は,動的潜在グラフ学習とLarge Language Models (LLM) を用いた選択状態空間時間モデルを統合するエンドツーエンドフレームワークであるNeuroMambaLLMを提案する。 提案手法は生の血液酸素レベル依存(BOLD)時系列から動的に機能接続を学習し,固定された相関グラフを適応的な潜在接続に置き換えると共に,動作関連アーティファクトの抑制と長距離時間依存性のキャプチャを行う。 この設計により、LLMは診断分類と言語に基づく推論の両方を実行でき、ダイナミックなfMRIパターンを分析し、臨床的に意味のあるテキストレポートを生成することができる。
  論文  参考訳（メタデータ） (2026-02-14T13:32:59Z)
• 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)
• 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)
• DSAM: A Deep Learning Framework for Analyzing Temporal and Spatial Dynamics in Brain Networks [4.041732967881764]
  ほとんどのrs-fMRI研究は、関心のある脳領域にまたがる単一の静的機能接続行列を計算している。 これらのアプローチは、脳のダイナミクスを単純化し、目の前のゴールを適切に考慮していないリスクがある。 本稿では,時系列から直接ゴール固有の機能的接続行列を学習する,解釈可能な新しいディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-19T23:35:06Z)
• Complex Recurrent Spectral Network [1.0499611180329806]
  本稿では,複雑なリカレントスペクトルネットワーク(conplex Recurrent Spectral Network)(mathbbC$-RSN)の開発を通じて,人工知能(AI)を進化させる新しいアプローチを提案する。 $mathbbC$-RSNは、既存のニューラルネットワークモデルにおいて、生物学的ニューラルネットワークの複雑なプロセスをエミュレートできないという限界に対処するように設計されている。
  論文  参考訳（メタデータ） (2023-12-12T14:14:40Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Spatio-temporally separable non-linear latent factor learning: an application to somatomotor cortex fMRI data [0.0]
  潜在因子の脳全体の発見が可能なfMRIデータのモデルについて検討する。 空間重み付けを効率化するための新しい手法は、データの高次元性とノイズの存在に対処するために重要である。 本手法は,複数のモーターサブタスクを用いたデータを用いて,モデルが各サブタスクに対応する非絡み合った潜在因子を捕捉するかどうかを評価する。
  論文  参考訳（メタデータ） (2022-05-26T21:30:22Z)
• Is the brain macroscopically linear? A system identification of resting state dynamics [7.312557272609717]
  ニューラルダイナミクスの計算モデリングにおける中心的な課題は、精度と単純さのトレードオフである。 この仮説を、全脳血中酸素レベル依存性(BOLD)と顕微鏡場電位ダイナミクスのレベルで厳密かつデータ駆動的に調査します。 以上の結果から,視神経力学の理解と,神経精神疾患治療のためのモデルに基づく介入の原理的設計の促進が期待できる。
  論文  参考訳（メタデータ） (2020-12-22T20:51:42Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)

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。