論文の概要: Natural Image Autoencoder-Based fMRI Representations for Trait and State Prediction

• arxiv url: http://arxiv.org/abs/2609.34167v2
• Date: Tue, 29 Sep 2026 04:14:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.715992
• Title: Natural Image Autoencoder-Based fMRI Representations for Trait and State Prediction
• Title（参考訳）: トランジットと状態予測のための自然画像オートエンコーダを用いたfMRI表現
• Abstract要約: 本稿では,FReDについて紹介する。FReDは自然画像のみに特化してトレーニングされた凍結DCAEからfMRI表現を導出する。 特性予測では、FReDはその時間平均と対数標準偏差によってフレームワイズ表現を要約する。 状態予測では、各フレームを単一のトークンとして表現し、浅いトランスフォーマーで時間依存をモデル化する。
• 参考スコア（独自算出の注目度）: 40.67823966138882
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Foundation models pre-trained on large-scale fMRI datasets have shown strong downstream performance, but at substantial data and computation cost. To investigate how much fMRI-specific pre-training is actually needed for such performance, we introduce FReD, which derives fMRI representations from a frozen Deep Compression AutoEncoder (DCAE) pre-trained exclusively on natural images and pairs them with a task specific readout. For trait prediction, FReD summarizes frame-wise representations by their temporal mean and log-standard deviation and applies linear probing, with late fusion across two normalization schemes. For state prediction, it represents each frame as a single token and models temporal dependencies with a shallow Transformer. Across four resting-state datasets spanning six trait-prediction targets, linear probes on frozen DCAE features generally outperform those on fMRI foundation model representations and remain competitive with fully fine-tuned fMRI foundation models. On three task-fMRI state-prediction tasks, a temporal readout on DCAE features performs comparably to the strongest foundation models evaluated. A Gaussian injection analysis further shows that localized signal changes are recovered more accurately from the frozen DCAE features than from the evaluated foundation-model representations. Together, these results show that strong performance on current fMRI benchmarks is possible without fMRI-specific representation pre-training, making frozen natural-image features as a useful baseline for assessing its added value.
• Abstract（参考訳）: 大規模なfMRIデータセットで事前トレーニングされた基礎モデルは、ダウンストリームのパフォーマンスは高いが、かなりのデータと計算コストが伴っている。 FReDは,凍結したDeep Compression AutoEncoder(DCAE)からfMRI表現を抽出し,それをタスク固有の読み出しとペアリングする。 特性予測において、FReDは時間平均と対数標準偏差でフレームワイズ表現を要約し、2つの正規化スキームにレイト融合を施した線形プローブを適用した。 状態予測では、各フレームを単一のトークンとして表現し、浅いトランスフォーマーで時間依存をモデル化する。 6つの特性予測対象にまたがる4つの静止状態データセット全体において、凍結されたDCAE上の線形プローブは、fMRI基礎モデル表現よりも優れ、完全に微調整されたfMRI基礎モデルと競合し続けている。 3つのタスク-fMRI状態予測タスクにおいて、DCAE特徴の時間的読み出しは、評価された最強の基礎モデルと同等に実行される。 ガウスインジェクション解析により, 凍結したDCAE特徴から局所的な信号変化が, 評価された基礎モデル表現からより正確に回収されることが示された。 これらの結果から,fMRIに特有な表現事前学習を行なわずに,現在のfMRIベンチマークの性能が向上し,凍結した自然像が付加価値を評価する上で有用なベースラインとなることが示唆された。

関連論文リスト

• Temporal Feature Extractors in EEG Foundation Models: A Controlled Comparison Including a Pretrained Time-Series Model [2.751147407342378]
  統合脳波基礎モデルにおける3つの時間的特徴抽出戦略を比較した。 我々は,2つの下流課題である運動画像と感情認識を用いた表現品質への影響を評価する。 脳波には特に適応しないが、事前訓練されたTSFMは時間的特徴抽出器として有効である。
  論文  参考訳（メタデータ） (2026-06-29T10:39:40Z)
• VFM-Recon: Unlocking Cross-Domain Scene-Level Neural Reconstruction with Scale-Aligned Foundation Priors [49.39553550491549]
  VFMReconは, シーンレベルの神経再構成において, スケール一貫性の要求を満たすトランスファー可能なVFMプリエントをブリッジする最初の試みである。 具体的には、まず、マルチビュースケールコヒーレンスを復元する軽量なスケールアライメントステージを導入する。 次に、トレーニング済みのVFM機能を、軽量なタスク固有アダプタを介して、ニューラルボリューム再構築パイプラインに統合する。
  論文  参考訳（メタデータ） (2026-03-13T05:00:44Z)
• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• Conditional Denoising Diffusion Model-Based Robust MR Image Reconstruction from Highly Undersampled Data [11.174208209806073]
  アンダーサンプリング戦略は画像の取得を加速させるが、多くの場合、画像のアーティファクトと劣化した品質をもたらす。 近年の拡散モデルでは、強力な画像先行学習により、アンダーサンプルデータから高忠実度画像の再構成が期待されている。 本稿では,反復的データ一貫性補正を伴う条件付きデノナイジング拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-07T18:01:08Z)
• 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)
• A Steerable Deep Network for Model-Free Diffusion MRI Registration [4.813333335683418]
  原拡散MRIデータの非厳密な登録のための新しい深層学習フレームワークを提案する。 この研究は、データ駆動型幾何対応のdMRI登録の基盤を、取得空間で直接確立する。
  論文  参考訳（メタデータ） (2025-01-08T19:18:44Z)
• Self-Supervised Pre-training Tasks for an fMRI Time-series Transformer in Autism Detection [3.665816629105171]
  自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、様々な症状や障害の程度を包含する神経発達障害である。 我々は,関数接続を計算せずに時系列fMRIデータを直接解析するトランスフォーマーベースの自己教師型フレームワークを開発した。 ランダムにROIをマスキングすると、トレーニング前のステップでランダムにマスキングする時間ポイントよりも、モデル性能が向上することを示す。
  論文  参考訳（メタデータ） (2024-09-18T20:29:23Z)
• 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)
• 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。