論文の概要: CANDLE: Cortical Null-Space Decomposition for Noninvasive Brain Source Imaging

• arxiv url: http://arxiv.org/abs/2610.07824v1
• Date: Tue, 06 Oct 2026 06:19:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.842024
• Title: CANDLE: Cortical Null-Space Decomposition for Noninvasive Brain Source Imaging
• Title（参考訳）: CANDLE:非侵襲脳源イメージングのための皮質核空間分解法
• Abstract要約: CANDLEは学習に基づくモデルであり、被験者固有の皮質地形のソースアクティビティを推定する。 我々は,26,000以上の統計脳地図から得られた音源構成を持つ,1,100以上の被検体特異的な皮質領域にまたがる全脳シミュレータを開発した。
• 参考スコア（独自算出の注目度）: 3.6813465739014166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electrophysiological source imaging (ESI) aims to estimate cortical source activity from noninvasive electrophysiological measurements such as electroencephalogram (EEG). However, ESI is fundamentally ill-posed because source activity is substantially higher-dimensional than sensor observations, resulting in non-unique solutions. Recent learning-based approaches address this ambiguity by learning data-driven source priors, yet they often struggle to generalize across subject-specific cortical geometries. To address this, we propose CANDLE, a learning-based ESI model that estimates source activity on subject-specific cortical geometries. CANDLE learns a prior over the null space induced by the source-to-sensor mapping derived from T1-weighted MRI, restricting learning to unobservable source components while preserving geometric constraints. To train CANDLE, we develop a whole-brain simulator spanning over 1,100 subject-specific cortical geometries with source configurations derived from over 26,000 statistical brain maps. Trained exclusively on simulated data, CANDLE outperformed prior ESI methods on simulated source activity estimation and generalized to two empirical tasks: (i) intracranial stimulation localization from simultaneously recorded scalp EEG and (ii) epileptogenic zone estimation from presurgical interictal EEG. Our project page is available at https://candle-esi.pages.dev}{https://candle-esi.pages.dev.
• Abstract（参考訳）: 電気生理学的ソースイメージング(ESI)は、脳波(EEG)などの非侵襲的な電気生理学的測定から皮質活動を評価することを目的としている。 しかし、ESIは、源の活性がセンサーの観測よりもかなり高次元であるため、非特異な解となるため、基本的に不均一である。 近年の学習に基づくアプローチは、データ駆動ソースの事前学習によって、この曖昧さに対処するが、被験者固有の皮質の地形をまたいだ一般化に苦慮することが多い。 そこで本研究では,学習型ESIモデルであるCANDLEを提案する。 CANDLEは、T1強調MRIから誘導されるソース・センサマッピングによって誘導されるヌル空間の事前学習を行い、幾何学的制約を保ちながら、学習を観測不能なソースコンポーネントに制限する。 CANDLEを訓練するために,26,000以上の統計脳地図から得られるソース構成を持つ1,100以上の対象特異的な皮質地形を網羅する全脳シミュレータを開発した。 CANDLEは、シミュレーションデータのみに基づいて訓練され、ソースアクティビティの推定をシミュレーションした以前のESI法よりも優れており、2つの経験的タスクに一般化されている。 i)頭蓋内刺激の同時記録脳波と頭蓋内刺激の局在 (II)前外科間脳波によるてんかん原性ゾーンの推定 私たちのプロジェクトページはhttps://candle-esi.pages.dev}{https://candle-esi.pages.devで公開されています。

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)
• CSBrain: A Cross-scale Spatiotemporal Brain Foundation Model for EEG Decoding [57.90382885533593]
  脳波信号の一般化のためのクロススケール時空間脳基盤モデルを提案する。 CSBrainはタスク固有のベースラインと基盤モデルのベースラインを一貫して上回ります。 これらの結果は、CSBrainを将来の脳-AI研究の強力なバックボーンとして、重要な帰納バイアスとして、クロススケールモデリングを確立している。
  論文  参考訳（メタデータ） (2025-06-29T03:29:34Z)
• Brain2Vec: A Deep Learning Framework for EEG-Based Stress Detection Using CNN-LSTM-Attention [0.0]
  Brain2Vecは、生の脳波記録からストレス状態を分類する新しいディープラーニングツールだ。 これらの結果は、Brain2Vecがウェアラブルストレス監視プラットフォームとパーソナライズされたヘルスケアシステムに統合される可能性を示している。
  論文  参考訳（メタデータ） (2025-06-12T12:57:19Z)
• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [46.121056431476156]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 既存のアプローチは一般的に、パフォーマンスとクロスドメインのスケーラビリティを制限する、分離、モダリティ、データセット固有のモデルに依存します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• Neural decoding from stereotactic EEG: accounting for electrode variability across subjects [21.28778005847666]
  本稿では,SEEGデータを用いて被験者間の振る舞いを復号化するためのトレーニングフレームワークである seegnificant を紹介する。 本研究では,行動課題を遂行する21人の被験者の複合データに基づいて学習した多目的モデルを構築した。
  論文  参考訳（メタデータ） (2024-11-01T17:58:01Z)
• BrainNet: Epileptic Wave Detection from SEEG with Hierarchical Graph Diffusion Learning [21.689503325383253]
  実世界のSEEGデータセットにおけるてんかん性波を検出するための,最初のデータ駆動型研究を提案する。 臨床的には、てんかん波の活動は脳の異なる領域間で伝播していると考えられている。 各患者に対して正確なてんかん原性ネットワークをどうやって抽出するかという問題は、神経科学の分野では未解決の問題のままである。
  論文  参考訳（メタデータ） (2023-06-15T08:29:10Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)
• Simultaneous Skull Conductivity and Focal Source Imaging from EEG Recordings with the help of Bayesian Uncertainty Modelling [77.34726150561087]
  本研究では,未知の頭蓋骨伝導率によるソース画像誤差を補正するベイズ近似誤差法に基づく統計的手法を提案する。 その結果, 震源位置推定精度と頭蓋骨伝導率の推定精度が向上していることが示唆された。
  論文  参考訳（メタデータ） (2020-01-31T21:33:56Z)

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。