Aug, 2016

多主体 fMRI 数据聚合的卷积自编码器

PDF
TL;DR这篇研究论文探讨了如何在保留脑部区域性的同时聚合多主体 fMRI 数据。通过组合共享响应模型和搜索光分析等方法来实现该目标，并介绍了一个系统性设计来解决卷积自编码器的计算挑战。
multi-subject fmri datalatent factor modelsshared response modelsearchlight analysisconvolutional autoencoder
发现论文，激发创造
  • 快速可扩展的分布式深度卷积自编码器用于 fMRI 大数据分析

    本文介绍了一种快速和可扩展的分布式深度卷积自编码器模型，其使用卷积神经网络来处理 tfMRI 数据，以学习 tfMRI 数据的复杂层次结构，并实现了在大规模 GPU 集群上对 tfMRI 大数据进行分析，从而将神经科学的信息从海量 fMRI 数据中提取出来。

    Oct, 2017

  • 搜索灯因素模型方法用于寻找多个被试 fMRI 分析中的共享信息

    本文介绍一种搜索光标共享反应模型的方法，可以在全脑的小连续区域（搜索灯）中识别共享信息，并验证领域分类任务的结果表明，可以确定具有信息的本地区域。

    Sep, 2016

  • MindEye2: 共享主体模型实现 1 小时数据的 fMRI-to-Image

    使用仅 1 小时的 fMRI 训练数据展示了高质量的知觉重建，我们通过在 7 个受试者上进行预训练并在新受试者上进行微调的方法，通过功能对齐和 CLIP 图像空间的映射，实现了对知觉的准确重建。

    Mar, 2024

  • 从脑活动中解码高分辨率图像的对比、关注和扩散

    介绍了一个两阶段的 fMRI 表示学习框架，通过在预处理阶段使用 Double-contrastive Mask Auto-encoder 降噪，并在第二阶段利用图像自动编码器的指导来调整特征学习者，以关注对于视觉重建最有信息的神经激活模式。使用这种优化后的 fMRI 特征学习者条件下的潜在扩散模型重构图像刺激，实验结果证明该模型在生成高分辨率和语义准确的图像方面的优越性，50 种不同目标的情境下，top-1 语义分类的准确率比先前最先进的方法提高了 39.34％。

    May, 2023

  • 多尺度卷积堆叠聚合用于鲁棒性白质高信号区域分割

    使用多尺度聚合模型来处理大小可变的白质高信号区域 / 损伤的分割任务，在多个数据集上的表现均优于现有的方法。

    Jul, 2018

  • 多模态医学神经影像融合基于小波池化保存边缘自编码器

    基于边缘保持稠密自编码器网络的多模态医学图像的端到端无监督融合模型，通过波尔特分解的特征图注意力池化改进了特征提取过程，提高了源图像中精细边缘细节信息的保留和融合图像的视觉感知。通过在多种医学图像对上训练，有效地捕捉源图像的强度分布和保留诊断信息。实验结果表明，与其他最先进的融合方法相比，所提出的方法提供了改进的视觉和定量结果。

    Oct, 2023

  • 众智储蓄的智慧：一种通用脑编码器

    我们提出了一种通用脑编码器，能够联合训练来自多个不同主体 / 数据集 / 机器的数据，通过直接计算脑体素嵌入和多级深度图像特征之间的交叉注意力来预测每个脑体素对每个图像的响应，并且利用学习到的体素嵌入作为探索脑功能的强大工具。

    Jun, 2024

  • 用于脑 MRI 非监督异常分割的尺度空间自编码器

    使用拉普拉斯金字塔对健康脑 MRI 的不同频带进行压缩和重建来提高重构保真度，实现对大、小脑病变的定位和聚合，并且表现出优异的异常分割效果。

    Jun, 2020

  • 从体素到像素再到体素：自监督法在基于 fMRI 的自然图像重建中的应用

    本文提出了一种新颖的方法，利用 Encoder-Decoder 和 Decoder-Encoder 网络结构，通过有标签数据和未标签的数据来训练 fMRI 到图片的重建网络，其中自监督机制使得网络可以适应统计数据的缺乏和输入数据的变化

    Jul, 2019

  • 基于拉普拉斯自编码器和通道注意力的新型多模态医学图像融合

    提出了一种基于综合的 Laplacian-Gaussian 连接和注意力汇聚的多模式医学图像融合模型，证明了该模型能有效地保留互补信息和重要的组织结构。

    Oct, 2023