論文の概要: Real-time Reconstruction of Human Visual Perception from fMRI

• arxiv url: http://arxiv.org/abs/2607.22753v1
• Date: Thu, 23 Jul 2026 14:54:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.86588
• Title: Real-time Reconstruction of Human Visual Perception from fMRI
• Title（参考訳）: fMRIによる人間の視覚知覚のリアルタイム再構築
• Abstract要約: 我々は、知覚された自然画像の再構成のための計算集約型パイプラインのリアルタイム適合性を示す(MindEye2)。 参加者に画像が提示された数秒後に,単心房視覚を復号するリアルタイムスキャンを行った。 この研究は、これらの強力なfMRIデコードパイプラインをリアルタイム解析にデプロイすることが可能であるという概念実証として機能する。
• 参考スコア（独自算出の注目度）: 2.065551553722109
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-time closed-loop neurofeedback based on functional magnetic resonance imaging (fMRI) has led to important scientific and clinical advances. However, the sophistication of the analysis methods used in real-time fMRI lags behind the state-of-the-art in fMRI decoding, largely due to computational factors: Most advanced decoding pipelines do not fit within the envelope of real-time processing, where the analysis needs to be conducted in a matter of seconds and without leveraging data acquired later in the session. Here, we present a real-time compatible adaptation of a computationally intensive state-of-the-art pipeline for reconstructing perceived natural images (MindEye2), and we demonstrate that reliable fine-grained decoding is still achievable in this setting. Using RT-Cloud, an open-source, scalable cloud-based platform, we performed a real-time scan where we decoded single-trial visual perception within seconds after an image was shown to the participant. Finally, we use simulated analyses to document the factors driving changes in performance from offline to real-time analysis. This work serves as a proof-of-concept that it is feasible to deploy these powerful fMRI decoding pipelines in real-time analysis, paving the way for their use in brain-computer interfaces for scientific discovery and clinical treatment.
• Abstract（参考訳）: 機能的磁気共鳴画像(fMRI)に基づくリアルタイムクローズドループ神経フィードバックは、重要な科学的、臨床的進歩をもたらした。 しかし、fMRI復号法におけるリアルタイムfMRIラグにおける解析手法の高度化は、主に計算的要因によるものである: ほとんどの高度な復号パイプラインはリアルタイム処理のエンベロープに収まらない。 本稿では、認識された自然画像の再構成のための計算集約型パイプラインのリアルタイム適応(MindEye2)を提案し、この設定では、信頼性の高いきめ細かな復号化が可能であることを実証する。 オープンソースでスケーラブルなクラウドベースのプラットフォームであるRT-Cloudを使って、リアルタイムスキャンを行い、参加者に画像を見せた数秒後に、単眼での視覚知覚をデコードしました。 最後に、シミュレーション分析を用いて、オフラインからリアルタイム分析へのパフォーマンス変化を駆動する要因を文書化する。 この研究は、これらの強力なfMRIデコードパイプラインをリアルタイムで分析し、科学的な発見と臨床治療のために脳とコンピュータのインターフェイスで使用するための道を開くことができるという概念実証として機能する。

関連論文リスト

• Nonlocal operator learning for fMRI encoding and decoding tasks [1.8933894803085838]
  本研究では,fMRIにおけるタスクの符号化と復号化のためのニューラル積分演算子モデルについて検討する。 2つのオープンソースfMRIデータセットを用いて,本モデルの評価を行った。
  論文  参考訳（メタデータ） (2026-05-19T18:39:10Z)
• Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
  光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。 現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。 本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T23:12:55Z)
• 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)
• TEAM PILOT -- Learned Feasible Extendable Set of Dynamic MRI Acquisition Trajectories [2.7719338074999547]
  本稿では,3次元ウィンドウアテンションとフレキシブルで時間的に拡張可能な獲得軌跡を用いた新しい深部圧縮型センシング手法を提案する。 本手法は既存の手法と比較してトレーニング時間と推論時間を著しく短縮する。 実データによるテストは、我々のアプローチが現在の最先端技術よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-19T13:45:13Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• Implicit Neural Networks with Fourier-Feature Inputs for Free-breathing Cardiac MRI Reconstruction [21.261567937245808]
  本研究は、心臓を暗黙のニューラルネットワークで表現し、心臓の表現が測定値と整合するようにネットワークを適合させる再構築手法を提案する。 提案手法は,最先端の未訓練畳み込みニューラルネットワークと同等あるいはわずかに優れた画像品質を実現する。
  論文  参考訳（メタデータ） (2023-05-11T14:14:30Z)
• A Path Towards Clinical Adaptation of Accelerated MRI [0.0]
  臨床関連性を高めるために,ニューラルネットワークMRI画像再構成器の強化について検討する。 MR信号データに可変加速度因子を付加したトレーニングコンストラクタは, 臨床患者検診における平均性能を最大で2%向上できることを示した。
  論文  参考訳（メタデータ） (2022-08-26T18:34:41Z)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• A DICOM Framework for Machine Learning Pipelines against Real-Time Radiology Images [50.222197963803644]
  Nifflerは、研究クラスタでの機械学習パイプラインの実行を可能にする統合フレームワークである。 ニフラーはDigital Imaging and Communications in Medicine (DICOM)プロトコルを使用して画像データの取得と保存を行っている。 我々は,そのアーキテクチャと3つのユースケースを提示する: リアルタイムに画像から下大静脈フィルターを検出すること,スキャナ利用の同定,およびスキャナクロックの校正。
  論文  参考訳（メタデータ） (2020-04-16T21:06:49Z)

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。