論文の概要: FlexiBrain: Resolution-Agnostic Voxel-Level Encoding for Native fMRI
- arxiv url: http://arxiv.org/abs/2606.11500v1
- Date: Tue, 09 Jun 2026 22:45:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 16:42:38.207837
- Title: FlexiBrain: Resolution-Agnostic Voxel-Level Encoding for Native fMRI
- Title（参考訳）: FlexiBrain: ネイティブfMRIのための解像度に依存しないVoxel-Levelエンコーディング
- Authors: Mo Wang, Wenhao Ye, Junfeng Xia, Minghao Xu, Hongkai Wen, Quanying Liu,
- Abstract要約: 本研究では,マンバJEPAに基づくネイティブfMRIのための解像度に依存しないボクセルレベルの符号化フレームワークを提案する。
高次元の4次元fMRI信号をモデル化するために,効率的なMamba-JEPAバックボーンを用いてフレームワークをインスタンス化する。
- 参考スコア（独自算出の注目度）: 16.958140875466416
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The success of large-scale deep learning models in neuroscience is fundamentally constrained by severe data heterogeneity. Native fMRI data aggregated from diverse sources exhibit substantial variation in both spatial and temporal resolutions. Consequently, most existing frameworks rely on lengthy, rigid preprocessing pipelines that enforce uniformity across datasets. This practice introduces two critical limitations: (1) potential degradation of subject-specific anatomical information; (2) significant computational overhead, often requiring hours of processing per subject. Here, we propose FlexiBrain, a resolution-agnostic voxel-level encoding framework for native fMRI based on Mamba-JEPA. FlexiBrain defines patch sizes in real-world physical units and employs a dynamic patch resizing, thereby bypassing destructive spatial standardization while enabling direct ingestion of data in native space. We instantiate the framework using an efficient Mamba-JEPA backbone to model high-dimensional 4D fMRI signals. Across five diverse downstream neuroscience tasks, FlexiBrain consistently outperforms recent state-of-the-art methods, achieving gains of up to 12 percentage points without external data augmentation. Importantly, FlexiBrain functions as a seamless plug-in module, substantially reducing preprocessing costs and accelerating the development of robust voxel-level fMRI foundation models. Code is available at https://github.com/OneMore1/FlexiBrain.
- Abstract（参考訳）: 神経科学における大規模深層学習モデルの成功は、データの不均一性によって根本的に制限されている。
多様な情報源から収集されたネイティブfMRIデータは、空間分解能と時間分解能の両方においてかなりの変動を示す。
その結果、既存のフレームワークのほとんどは、データセット間の均一性を強制する、長く堅固な前処理パイプラインに依存している。
本手法では,(1)主観的解剖情報の潜在的な劣化,(2)有意な計算オーバーヘッド,そして1件あたりの処理に何時間も要する,という2つの重要な限界を導入する。
本稿では,Mamba-JEPAをベースとしたネイティブfMRIのための解像度に依存しないボクセルレベルの符号化フレームワークFlexiBrainを提案する。
FlexiBrainは、現実世界の物理ユニットにおけるパッチサイズを定義し、動的パッチリサイズを採用し、それによって破壊的な空間標準化を回避し、ネイティブ空間におけるデータの直接取り込みを可能にする。
高次元の4次元fMRI信号をモデル化するために,効率的なMamba-JEPAバックボーンを用いてフレームワークをインスタンス化する。
5つの異なる下流神経科学タスクの中で、FlexiBrainは最新の最先端の手法を一貫して上回り、外部データ拡張なしで最大12パーセントのアップを達成した。
FlexiBrainは、シームレスなプラグインモジュールとして機能し、プリプロセッシングコストを大幅に削減し、堅牢なボクセルレベルのfMRIファンデーションモデルの開発を加速する。
コードはhttps://github.com/OneMore1/FlexiBrainで入手できる。
関連論文リスト
- Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。
MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
論文 参考訳（メタデータ） (2026-01-29T13:05:46Z) - Trustworthy Longitudinal Brain MRI Completion: A Deformation-Based Approach with KAN-Enhanced Diffusion Model [17.79398900814243]
縦断的脳MRIは、寿命の研究には不可欠であるが、高い摂食率は、しばしば欠落データにつながる。
深層生成モデルは研究されてきたが、ほとんどは画像強度に頼っている。
我々は,コンモゴロフ・アルノルドネットワーク(KAN)を拡張した拡散モデルであるDF-DiffComを紹介した。
論文 参考訳（メタデータ） (2026-01-14T15:41:40Z) - SLIM-Brain: A Data- and Training-Efficient Foundation Model for fMRI Data Analysis [16.923310176195766]
基礎モデルはfMRI分析の強力なパラダイムとして浮上している。
現在のアプローチでは、データとトレーニング効率の2つのボトルネックに直面しています。
SLIM-Brainは、データとトレーニング効率の両方を同時に改善する新しいアトラスフリー基盤モデルである。
論文 参考訳（メタデータ） (2025-12-26T06:10:31Z) - 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) - DCA: Graph-Guided Deep Embedding Clustering for Brain Atlases [11.027192223822832]
Deep Cluster Atlas(ディープクラスタアトラス、英: Deep Cluster Atlas、DCA)は、グラフ誘導のディープ埋め込みクラスタリングフレームワークである。
DCAは、事前訓練されたオートエンコーダと空間的に規則化されたディープクラスタリングを組み合わせることで、機能的に一貫性のある空間的に連続した領域を生成する。
複数のデータセットとスケールにわたって、DCAは最先端のアトラスを上回り、機能的均一性を98.8%改善し、シルエット係数を29%改善した。
論文 参考訳（メタデータ） (2025-09-01T12:33:32Z) - BrainMT: A Hybrid Mamba-Transformer Architecture for Modeling Long-Range Dependencies in Functional MRI Data [0.09363323206192666]
近年のディープラーニングの進歩により、機能的磁気共鳴画像(fMRI)脳の体積から直接表現型測定を予測できるようになった。
本稿では,fMRIデータの長距離時間特性を効率的に学習し,統合するための新しいハイブリッドフレームワークBrainMTを紹介する。
筆者らのフレームワークは,(1)時間優先走査機構を備えた双方向マンバブロックを用いて,時間的に効率よくグローバルな時間的相互作用をキャプチャし,(2)グローバルな空間的関係をモデル化するための自己認識を利用したトランスフォーマーブロックの2段階で動作する。
論文 参考訳（メタデータ） (2025-06-27T19:20:41Z) - CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。
このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。
第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。
第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-06-10T17:20:39Z) - Flexiffusion: Training-Free Segment-Wise Neural Architecture Search for Efficient Diffusion Models [50.260693393896716]
拡散モデル(DM)は高忠実度画像を生成できる強力な生成モデルであるが、高い計算コストで制約される。
我々は、事前訓練されたパラメータを変更することなく、生成スケジュールとモデルアーキテクチャを協調的に最適化する、トレーニング不要なNASフレームワークFlexiffusionを提案する。
我々の研究は、品質を犠牲にすることなく高速DMを検索するための資源効率の良いパラダイムを開拓した。
論文 参考訳（メタデータ） (2025-06-03T06:02:50Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z)
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。