Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する概念動画

Brain Imaging01:14

Brain Imaging

310
Brain imaging technologies provide critical insights into both the structure and function of the human brain, enabling medical professionals and researchers to diagnose, study, and treat neurological disorders or psychiatric disorders more effectively.
These technologies include computerized axial tomography (CAT or CT scans), positron-emission tomography (PET scans),  magnetic resonance imaging (MRI),  functional magnetic resonance imaging (fMRI), and Transcranial Magnetic...
310

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

Conditioned Graph Reconstruction of Brain Functional Network Connectivity Reveals Interpretable Latent Axes of Sex and Fluid Intelligence.

bioRxiv : the preprint server for biology·2026
Same author

Conditional Denoising Diffusion Probabilistic Models with Attention for Subject-Specific Brain Network Synthesis.

bioRxiv : the preprint server for biology·2025
Same author

Multimodal predictive modeling: Scalable imaging informed approaches to predict future brain health.

Journal of neuroscience methods·2024
Same author

Multimodal Predictive Modeling: Scalable Imaging Informed Approaches to Predict Future Brain Health.

bioRxiv : the preprint server for biology·2024
Same author

A deep learning approach for mental health quality prediction using functional network connectivity and assessment data.

Brain imaging and behavior·2024
Same author

An ensemble learning system for a 4-way classification of Alzheimer's disease and mild cognitive impairment.

Journal of neuroscience methods·2018

関連する実験動画

Updated: Sep 9, 2025

Modeling the Functional Network for Spatial Navigation in the Human Brain
05:55

Modeling the Functional Network for Spatial Navigation in the Human Brain

Published on: October 13, 2023

1.2K

TransUNET-DDPM:トピック特有の脳ネットワーク生成と分類のためのトランスフォーマー強化拡散モデル

Meenu Ajith1, Vince D Calhoun1

  • 1Tri-Institutional Center for Translational Research in Neuroimaging and Data Science (TReNDS), Georgia State University, Georgia Institute of Technology, and Emory University, 55 Park Pl NE, Atlanta, 30303, GA, USA.

Computers in biology and medicine
|August 29, 2025
PubMed
まとめ

この研究は,高品質の固有の接続性ネットワーク (ICN) の作成のための新しい生成AIフレームワークであるTransUNET-DDPMを導入します. リアルな合成データを生成することで 神経画像分析を強化し,統合失調症の分類を支援します.

キーワード:
データ増強拡散モデル本質的な接続性ネットワーク統合失調症の分類トランスフォーマー・アーキテクチャ

さらに関連する動画

Diffusion Tensor Magnetic Resonance Imaging in the Analysis of Neurodegenerative Diseases
09:33

Diffusion Tensor Magnetic Resonance Imaging in the Analysis of Neurodegenerative Diseases

Published on: July 28, 2013

28.6K
Neuroimaging-Guided TMS–EEG for Real-Time Cortical Network Mapping
09:55

Neuroimaging-Guided TMS–EEG for Real-Time Cortical Network Mapping

Published on: June 13, 2025

1.1K

関連する実験動画

Last Updated: Sep 9, 2025

Modeling the Functional Network for Spatial Navigation in the Human Brain
05:55

Modeling the Functional Network for Spatial Navigation in the Human Brain

Published on: October 13, 2023

1.2K
Diffusion Tensor Magnetic Resonance Imaging in the Analysis of Neurodegenerative Diseases
09:33

Diffusion Tensor Magnetic Resonance Imaging in the Analysis of Neurodegenerative Diseases

Published on: July 28, 2013

28.6K
Neuroimaging-Guided TMS–EEG for Real-Time Cortical Network Mapping
09:55

Neuroimaging-Guided TMS–EEG for Real-Time Cortical Network Mapping

Published on: June 13, 2025

1.1K

科学分野:

  • 人工知能
  • 神経イメージング
  • コンピュータ・ビジョン

背景:

  • ジェネラティブAI 特に拡散モデルでは 画像合成が進んでいます
  • 本質的な接続性ネットワーク (ICN) の既存の方法は限界があります.

研究 の 目的:

  • TransUNET-DDPMを導入し,トランスフォーマーと拡散確率モデル (DDPM) を融合する新しいフレームワークを導入する.
  • 高品質の2Dと3Dの固有の接続性ネットワーク (ICN) を生成する.
  • 神経画像分析の強化と分類作業のデータ増強を支援する.

主な方法:

  • 非線形モデリングのためにDDPMを持つトランスフォーマーベースのアーキテクチャを使用した.
  • 静止状態fMRI (rs-fMRI) から対象特有の3DICNのための時空エンコーダーを持つ画像条件付きの変種を使用した.
  • 効率的なトレーニングのための導入された移転学習とデータ増強のためのクラス条件付きバージョン.

主要な成果:

  • TransUNET-DDPMは,解剖学的に機能的に意味のあるICNを生成し,既存のモデルを上回ります.
  • 画像条件付きのバリエーションは,主題固有の3DICNを効果的に生成します.
  • クラス条件付き生成は,特にデータ不足の状況で,統合失調症の検出のための分類器の強さを改善しました.

結論:

  • TransUNET-DDPMは,高精度ICNを生成するための強力な新しいアプローチを提供します.
  • このフレームワークは神経画像の研究と臨床応用を進めるための大きな可能性を示しています.
  • 外部データセットでの一般化が確認され,その強固なパフォーマンスを確認しました.