論文の概要: Fine-tuning language encoding models on slow fMRI improves prediction for fast ECoG

• arxiv url: http://arxiv.org/abs/2605.19224v1
• Date: Tue, 19 May 2026 00:49:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.047735
• Title: Fine-tuning language encoding models on slow fMRI improves prediction for fast ECoG
• Title（参考訳）: 遅いfMRIにおける微調整言語符号化モデルによる高速ECoGの予測の改善
• Authors: Aditya R. Vaidya, Richard J. Antonello, Alexander G. Huth,
• Abstract要約: 本研究では,非侵襲的fMRIを用いてトレーニングデータのギャップを埋めることを提案する。 音声言語表現をfMRIで微調整することにより,ECoGの符号化モデルを構築する。 周波数帯域の予測は、fMRIで直接測定される範囲を超えて改善された。
• 参考スコア（独自算出の注目度）: 45.06821993085712
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Neuroscientists have recently turned to intracranial brain recording methods, like electrocorticography (ECoG), for human experiments because of the fine spatial and temporal resolution that they afford. Models trained on this data, however, are fundamentally restricted by the patient populations that can receive the implants necessary for recording. We propose using non-invasive fMRI to bridge the gap in training data. Using spoken language representations fine-tuned on fMRI, we build encoding models of ECoG. These representations showed improved prediction performance in ECoG, even though the temporal resolution of fMRI is two orders of magnitude worse. Prediction improved in frequency bands well beyond what is directly measured in fMRI. Next, to test the procedure's generalization ability, we fine-tuned models on fMRI responses that were temporally downsampled by a factor of 2. Despite the loss in resolution, these models were able to predict fMRI and ECoG responses at levels comparable to the original fMRI-tuned models. Finally, we showed that ECoG performance steadily scales with the amount of fMRI-tuning data. Our results show that "slow" data like fMRI can be a valuable resource for building better models of "fast" brain data like ECoG. In the future, integrating across multiple recording methods may further improve performance in other applications, like decoding.
• Abstract（参考訳）: 神経科学者は最近、人体実験のための脳内記録法である脳電図法(ECoG)に目を向けました。 しかし、このデータに基づいてトレーニングされたモデルは、記録に必要なインプラントを受け取れる患者人口によって根本的に制限されている。 本研究では,非侵襲的fMRIを用いてトレーニングデータのギャップを埋めることを提案する。 音声言語表現をfMRIで微調整することにより,ECoGの符号化モデルを構築する。 これらの表現は、fMRIの時間分解能が2桁劣っているにもかかわらず、ECoGの予測性能が向上した。 周波数帯域の予測は、fMRIで直接測定される範囲を超えて改善された。 次に、この手順の一般化能力をテストするために、時間的に2。 解像度の低下にもかかわらず、これらのモデルはfMRIとECoGの応答を、オリジナルのfMRIチューニングモデルに匹敵するレベルで予測することができた。 最後に,fMRIチューニングデータの量によってECoGの性能が着実に向上することを示した。 我々の結果は、fMRIのような「スロー」データは、ECoGのような「高速」脳データのより良いモデルを構築するのに有用なリソースであることを示している。 将来的には、複数の記録メソッドを統合することで、デコードなど他のアプリケーションのパフォーマンスがさらに向上する可能性がある。

関連論文リスト

• Estimating Brain Activity with High Spatial and Temporal Resolution using a Naturalistic MEG-fMRI Encoding Model [6.157087562708548]
  現在の非侵襲的ニューロイメージング技術は、空間分解能と時間分解能の間にトレードオフがある。 我々は,脳磁図(MEG)と機能的磁気共鳴画像(fMRI)を組み合わせたトランスフォーマーベース符号化モデルを開発した。 複数の被験者からのMEGとfMRIの予測と,再建した大脳皮質源の推定値を表す潜在層の推定を訓練した。
  論文  参考訳（メタデータ） (2025-10-10T14:18:10Z)
• Predicting Cognition from fMRI:A Comparative Study of Graph, Transformer, and Kernel Models Across Task and Rest Conditions [1.0832932170181544]
  本研究は,認知予測のための古典的機械学習(KRR)と高度ディープラーニング(DL)モデルを体系的にベンチマークした。 その結果,認知に直結したニューラル応答を誘発するタスクベースfMRIは,認知行動予測におけるRSfMRIよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-28T17:29:22Z)
• Diffusion Probabilistic Generative Models for Accelerated, in-NICU Permanent Magnet Neonatal MRI [2.1400895396229913]
  新生児集中治療室(NICU)で活動する永久磁石スキャナーは、乳幼児のMRIを促進する。 これらのスキャナは、信号対雑音比(SNR)が低く、受信コイルが制限されているため、長い走査時間を持つ。 この研究は、トレーニングパイプラインを開発することで拡散確率的生成モデルを用いてNICU内MRIを高速化する。
  論文  参考訳（メタデータ） (2025-05-21T20:05:45Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• A Generative Diffusion Model to Solve Inverse Problems for Robust in-NICU Neonatal MRI [2.508200203858861]
  新生児集中治療室(NICU)におけるMRI(MRI)の初回取得・診断拡散生成モデルについて紹介する。 In-NICU MRIスキャナーは、脳の潜在的な異常を非侵襲的に評価するために、低磁場強度の永久磁石を利用する。 この設定では、トレーニングデータのサイズは小さく、本質的には低信号対雑音比(SNR)に悩まされている。
  論文  参考訳（メタデータ） (2024-10-28T23:12:09Z)
• 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)
• Generative AI for Rapid Diffusion MRI with Improved Image Quality, Reliability and Generalizability [3.6119644566822484]
  我々は,Human Connectome Projectデータに基づいて訓練されたSwin UNEt Transformersモデルを用いて,dMRIの一般化復調を行う。 成人健常者におけるHCPデータを用いた超解像実験を行った。 高速拡散テンソル画像の精度と信頼性は,90秒のスキャン時間しか必要としない。
  論文  参考訳（メタデータ） (2023-03-10T03:39:23Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• Robust Compressed Sensing MRI with Deep Generative Priors [84.69062247243953]
  臨床MRIデータに対するCSGMフレームワークの初成功例を示す。 我々は、高速MRIデータセットから脳スキャンに先立って生成をトレーニングし、Langevin dynamicsによる後部サンプリングが高品質な再構成を実現することを示す。
  論文  参考訳（メタデータ） (2021-08-03T08:52:06Z)

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。