May, 2024

通过合成数据生成与机器学习应用推进脑功能近红外光谱成像技术

PDF
TL;DR通过合成数据和应用机器学习模型，本研究提出了一种整合方法，用于推进功能性近红外光谱（fNIRS）神经影像学。通过解决高质量神经影像数据的匮乏问题，该研究利用蒙特卡洛模拟和参数头部模型生成了一个全面的合成数据集，反映了各种条件。我们开发了一个采用 Docker 和 Xarray 的容器化环境，用于标准化和可重复的数据分析，便于在不同的信号处理模式之间进行有意义的比较。此外，建立了一个基于云的基础设施，用于可扩展的数据生成和处理，提高了神经影像数据的可访问性和质量。合成数据生成与机器学习技术的结合有望提高 fNIRS 断层扫描的准确性、效率和适用性，潜在地革新神经疾病的诊断和治疗策略。本文中开发的方法和基础设施为数据模拟和分析设立了新的标准，并为神经影像学和更广泛的生物医学工程领域的未来研究铺平了道路。
functional near-infrared spectroscopyneuroimagingmachine learning modelssynthetic datasetdata simulation and analysis
发现论文，激发创造
  • 简单却行之有效：重新思考 fNIRS 在排除异常输入中的深度学习能力

    用非侵入性技术的功能性近红外光谱（fNIRS）监测脑活动。通过使用深度学习解决 fNIRS 数据的分类挑战，研究表明当前 fNIRS 网络在准确预测其训练分布内的数据方面效果显著，但对于识别并排除分布之外的异常数据则表现不佳，影响可靠性。我们提出将度量学习和监督方法融入 fNIRS 研究，以提高网络识别和排除分布之外异常数据的能力。该方法简单而有效，在实验中明显提升了各种 fNIRS 网络的性能，尤其是基于 transformer 的网络，显示出了可靠性的巨大改进。我们将在 GitHub 上提供实验数据。

    Feb, 2024

  • 神经相似度：使用 NeRF 学习生成训练数据

    本文介绍了一种使用神经放射场的全可微合成数据管道，可在不需要人力劳动的情况下按需生成数据，从而使得目标任务的准确性最大化。作者在合成和实际的物体检测任务中展示了方法的有效性，并引入了一个可用于真实场景中具有不同姿势的物体检测的新数据集和基准测试 (YCB-in-the-Wild)。

    Jul, 2022

  • fNIRS 中深度学习分类模型的校准

    我们提出将校准整合到功能性近红外光谱（fNIRS）领域，并评估现有模型的可靠性，结果表明许多模型在校准性能方面表现不佳。通过本文，我们总结了三个实用的技巧，以强调校准在 fNIRS 研究中的重要作用，并提出加强 fNIRS 分类任务中基于深度学习的预测的可靠性的观点。

    Feb, 2024

  • FMRI 数据增强合成

    本研究使用经典方法和现代隐式生成模型对神经影像数据集进行了合成增广，能够 “改善预测 fMRI 模型的质量”，并且在预测认知和行为结果方面得到了较好的性能提升。

    Jul, 2019

  • 使用生成模型综述情感神经生理信号合成

    本文综述了如何利用生成模型解决神经生理信号情感识别问题的挑战，进而提高情感识别系统的效率和可靠性。

    Jun, 2023

  • 基于任务型 fMRI 学习顺序信息的合成数据增强

    该论文提出了一种生成合成 fMRI 序列的方法，以创建增强的训练数据集，并通过视觉化和自闭症谱系障碍（ASD）分类任务的评估结果表明，合成的任务特定 fMRI 可以在学习 ASD 分类任务中提供有效的数据增强。

    Aug, 2023

  • 通过 fNIRS 解码视觉想象的进展

    通过训练图像重建模型，我们证明了从 fNIRS 脑活动中重建图像的可能性，并开始构建一个符合要求的原型。我们发现厘米级空间分辨率足以生成图像，通过下采样的 fMRI 数据，我们获得了 1 厘米分辨率的 71％检索准确率，而全分辨率的 fMRI 为 93％，2 厘米分辨率下为 20％。我们的模拟和高密度层析成像结果表明，时间域 fNIRS 可以达到 1 厘米分辨率，而连续波 fNIRS 为 2 厘米分辨率。最后，我们分享了一个原型时间域 fNIRS 设备的设计，包括激光驱动器，单光子探测器和时间数字转换器系统。

    Jun, 2024

  • 利用大规模神经影像数据集创建连接组约束方法，以实现更加稳健、高效和适应性人工智能

    利用大型神经成像数据集中的连接性图谱等手段，改善边缘端机器学习的效率和鲁棒性，并通过对果蝇和哺乳动物视脑回路连接等领域的分析，展示了多种潜在的应用脑科学领域洞见的方法。

    May, 2023

  • 一对多：物理学知识的合成数据提升了用于快速磁共振成像重建的通用深度学习

    通过使用一种名为 PISF 的物理学知识驱动的合成数据学习框架，我们展示了在多种快速 MRI 重建场景中，训练深度学习模型可以实现与实际数据匹配的可比甚至更好的成果，并将对真实 MRI 数据的需求降低了高达 96%。

    Jul, 2023

  • 元数据条件生成模型合成解剖合理的 3D 脑核磁共振图像

    生成式人工智能模型在创建改进神经影像研究的合成脑 MRI 方面具有巨大潜力，但目前主要研究仅侧重于优化合成 MRI 的视觉质量，缺乏对其与神经科学的关联性的深入理解。然而，通过我们提出的新的生成模型 BrainSynth，我们首先实现了在 T1 加权 MRI 方面实现最先进视觉质量的元数据条件下（例如年龄和性别具体），并通过一种新的程序扩展了我们的评估方法，以量化解剖合理性，即合成 MRI 多少地捕捉到脑区的宏观结构特性，并且准确地编码了年龄和性别的影响。结果表明，我们合成的 MRI 中有一半以上的脑区在解剖上是准确的，即真实 MRI 与合成 MRI 之间存在很小的效应。此外，解剖合理性在皮层区域之间根据其几何复杂性而异。根据现有情况，我们的合成 MRI 可以显著改善卷积神经网络在独立研究中识别加速衰老效应的训练。这些结果突出了使用生成式人工智能来辅助神经影像研究的机会，并指出了进一步改进的方向。

    Oct, 2023