論文の概要: Functional MRI Time Series Generation via Wavelet-Based Image Transform and Spectral Flow Matching for Brain Disorder Identification
- arxiv url: http://arxiv.org/abs/2605.30387v1
- Date: Thu, 28 May 2026 09:12:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.131395
- Title: Functional MRI Time Series Generation via Wavelet-Based Image Transform and Spectral Flow Matching for Brain Disorder Identification
- Title（参考訳）: ウェーブレットを用いた画像変換とスペクトルフローマッチングによる脳障害同定のための機能MRI時系列生成
- Authors: Hwa Hui Tew, Junn Yong Loo, Fang Yu Leong, Julia K. Lau, Ding Fan, Hernando Ombao, Raphaël C. -W. Phan, Chee Pin Tan, Chee-Ming Ting,
- Abstract要約: fMRIは、血液酸素レベル依存係数(BOLD)信号を経時的に測定することで、非侵襲的な脳活動へのアクセスを提供する。
fMRIの資源集約性は、データ駆動分析モデルに必要な高忠実度サンプルの入手を制限している。
本稿では,スペクトルフローマッチングを用いたBOLD信号の二重周波数表現を行う新しいfMRI生成フレームワークであるDSpec(Dual-temporaltral Flow Matching)を提案する。
- 参考スコア（独自算出の注目度）: 11.757645382221854
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Functional Magnetic Resonance Imaging (fMRI) provides non-invasive access to dynamic brain activity by measuring blood oxygen level-dependent (BOLD) signals over time. However, the resource-intensive nature of fMRI acquisition limits the availability of high-fidelity samples required for data-driven brain analysis models. While modern generative models can synthesize fMRI data, they often remain challenging in replicating their inherent non-stationarity, intricate spatiotemporal dynamics, and physiological variations of raw BOLD signals. To address these challenges, we propose Dual-Spectral Flow Matching (DSFM), a novel fMRI generative framework that cascades dual frequency representation of BOLD signals with spectral flow matching. Specifically, our framework first converts BOLD signals into a wavelet decomposition map via a discrete wavelet transform (DWT) to capture globalized transient and multi-scale variations, and projects into the discrete cosine transform (DCT) space across brain regions and time to exploit localized energy compaction of low-frequency dominant BOLD coefficients. Subsequently, a spectral flow matching model is trained to generate class-conditioned cosine-frequency representation. The generated samples are reconstructed through inverse DCT and inverse DWT operations to recover physiologically plausible time-domain BOLD signals. This dual-transform approach imposes structured frequency priors and preserves key physiological brain dynamics. Ultimately, we demonstrate the efficacy of our approach through improved downstream fMRI-based brain network classification. The code is available at https://github.com/htew0001/DSFM.git .
- Abstract（参考訳）: 機能的磁気共鳴イメージング(fMRI)は、血液酸素レベル依存(BOLD)シグナルを経時的に測定することで、非侵襲的な脳活動へのアクセスを提供する。
しかし、fMRI取得の資源集約性は、データ駆動脳分析モデルに必要な高忠実度サンプルの入手を制限している。
現代の生成モデルはfMRIデータを合成することができるが、それらが固有の非定常性、複雑な時空間力学、生のBOLD信号の生理的変動を再現することは、しばしば困難である。
これらの課題に対処するために、スペクトルフローマッチングを用いたBOLD信号の二重周波数表現をカスケードする新しいfMRI生成フレームワークであるDual-Spectral Flow Matching (DSFM)を提案する。
具体的には、BOLD信号を離散ウェーブレット変換(DWT)を用いてウェーブレット分解マップに変換し、グローバル化された過渡的・多スケールな変動を捉え、脳領域をまたいだ離散コサイン変換(DCT)空間に投射し、低周波支配的BOLD係数の局所的なエネルギー圧縮を利用する。
その後、スペクトルフローマッチングモデルを訓練し、クラス条件付きコサイン周波数表現を生成する。
生成したサンプルは、逆DCTおよび逆DWT操作により再構成され、生理的に妥当な時間領域BOLD信号を回復する。
この二重変換アプローチは、構造化された周波数先行を課し、重要な生理的脳のダイナミクスを保存する。
最終的には、下流fMRIによる脳ネットワーク分類の改善によるアプローチの有効性を実証する。
コードはhttps://github.com/htew0001/DSFM.gitで公開されている。
関連論文リスト
- Subtractive Modulative Network with Learnable Periodic Activations [59.89799070130572]
本稿では,古典的部分抽出合成にインスパイアされた,パラメータ効率の高いインプシットニューラル表現アーキテクチャを提案する。
我々のSMNは2つの画像データセット上で40ドル以上のPSNRを達成し、再現精度とパラメータ効率の両面で最先端の手法と比較した。
論文 参考訳（メタデータ） (2026-02-18T10:20:50Z) - Moving Beyond Functional Connectivity: Time-Series Modeling for fMRI-Based Brain Disorder Classification [8.837732238971187]
機能的磁気共鳴イメージング(fMRI)は、血液酸素レベル依存(BOLD)シグナルをキャプチャすることで、非侵襲的な脳障害の分類を可能にする。
既存のほとんどの手法はピアソン相関による機能接続(FC)に依存している。
5つの公開データセットにまたがる生のBOLD信号に関する最先端の時間モデルをベンチマークする。
論文 参考訳（メタデータ） (2026-02-09T04:42:42Z) - BrainPuzzle: Hybrid Physics and Data-Driven Reconstruction for Transcranial Ultrasound Tomography [33.105665628349946]
この研究は、脳の正確な音速マップを再構築することで、定量的な経頭蓋超音波を実現することを目的としている。
BrainPuzzleは、物理モデリングと機械学習を組み合わせたハイブリッド2段階フレームワークである。
2つの合成データセットの実験により、BrainPuzzleはより優れたSoS再構成精度と画像完全性を達成することが示された。
論文 参考訳（メタデータ） (2025-10-22T21:15:55Z) - NeuroRVQ: Multi-Scale EEG Tokenization for Generative Large Brainwave Models [66.91449452840318]
我々は、コードブックベースのトークン化装置を中心としたスケーラブルな大脳波モデル(LBM)であるNeuroRVQを紹介する。
我々のトークンライザは, (i) フル周波数のニューラルスペクトルを捕捉するマルチスケール特徴抽出モジュール, (ii) 高精細符号化のための階層的残留ベクトル量子化(RVQ)コードブック, (iii) 効率的なトレーニングのためのEEG信号位相および振幅認識損失関数を統合する。
実験の結果,NeuroRVQは再建誤差を低くし,様々な下流タスクにおいて既存のLBMよりも優れることがわかった。
論文 参考訳（メタデータ） (2025-10-15T01:26:52Z) - T2I-Diff: fMRI Signal Generation via Time-Frequency Image Transform and Classifier-Free Denoising Diffusion Models [10.21645911536505]
本稿では,BOLD信号の時間周波数表現を利用するfMRI生成フレームワークであるT2I-Diffを紹介する。
ダウンストリームfMRIを用いた脳ネットワーク分類において,精度の向上と一般化を実証した。
論文 参考訳（メタデータ） (2025-09-25T07:08:19Z) - FreqSelect: Frequency-Aware fMRI-to-Image Reconstruction [5.472733223067372]
FreqSelectは軽量で適応的なモジュールで、符号化する前に空間周波数帯域を選択的にフィルタリングする。
低レベルのメトリクスと高レベルのメトリクスの両方にわたって、再構築品質を継続的に改善します。
本手法は主題や場面にまたがって一般化し,他のモダリティへの拡張を約束する。
論文 参考訳（メタデータ） (2025-05-18T21:45:06Z) - Frequency Domain Enhanced U-Net for Low-Frequency Information-Rich Image Segmentation in Surgical and Deep-Sea Exploration Robots [34.28684917337352]
CNNと人間の視覚系における周波数帯域感度の差について検討する。
本稿では、生体視覚機構にインスパイアされたウェーブレット適応スペクトル融合(WASF)法を提案する。
我々は SAM2 のバックボーンネットワークを利用する FE-UNet モデルを開発し, セグメンテーション精度を確保するために細調整した Hiera-Large モジュールを組み込んだ。
論文 参考訳（メタデータ） (2025-02-06T07:24:34Z) - MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。
このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。
実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
論文 参考訳（メタデータ） (2024-05-28T00:36:25Z) - NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。
様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
論文 参考訳（メタデータ） (2024-03-27T02:42:52Z) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳（メタデータ） (2023-05-18T06:54:56Z)
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。