Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Fourier single-pixel imaging for dynamic color scene reconstruction via joint priors.

Optics letters·2026
Same author

Infrared and Visible Image Fusion Using Bimodal Neuron and Dynamic Receptive Field Mechanisms.

IEEE transactions on image processing : a publication of the IEEE Signal Processing Society·2026
Same author

Primary Visual Cortex Contributes to Color Constancy by Predicting Rather than Discounting the Illuminant.

International journal of neural systems·2026
Same author

Isolation, Identification, and Management Strategies for the Root Rot Pathogen of <i>Cardamine violifolia</i>.

Biology·2026
Same author

Single-Photon Imaging in Complex Scenarios via Physics-Informed Deep Neural Networks.

IEEE transactions on pattern analysis and machine intelligence·2026
Same author

Identification of Copy Number Alterations From Shallow Whole-Genome Sequencing in Multiple Myeloma.

Hematological oncology·2025

相关实验视频

Updated: Jun 29, 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

1.1K

从fMRI进行自然图像重建,基于节点边缘交互和多尺度约束.

Mei Kuang1, Zongyi Zhan1, Shaobing Gao1

  • 1College of Computer Science, Sichuan University, Chengdu 610065, China.

Brain sciences
|March 28, 2024
PubMed
概括

这项研究引入了一种用于大脑解码的新型图形神经网络,通过建模大脑区域相互作用来改进从fMRI数据的自然图像重建. 该方法提高了图像质量和准确性,促进了大脑与计算机接口的开发.

科学领域:

  • 神经科学是一个神经科学.
  • 计算机科学 计算机科学
  • 生物医学工程 生物医学工程

背景情况:

  • 从功能磁共振成像 (fMRI) 中重建自然图像是大脑解码和大脑计算机接口 (BCI) 中的一个关键挑战.
  • 现有的方法往往无法充分利用不同大脑区域之间的复杂相互作用.
  • 了解神经活动模式对于解码视觉感知等认知过程至关重要.

研究的目的:

  • 从fMRI数据中重建自然刺激图像的先进方法.
  • 通过建模区域间大脑通信来提高重建图像的精度和细节.
  • 增强视觉解码大脑计算机接口的能力.

主要方法:

  • 提出了一种具有节点边界相互作用 (NEI-GNN) 的新型图形神经网络块,以模拟大脑区域之间的信息交换.
  • 实施了多个阶段的重建网络,具有多个尺度的约束,用于从粗到细的图像生成.
  • 通过使用n-way平均平方误差 (MSE) 和结构相似度指数 (SSIM) 评估验证了通用对象解码 (GOD) 数据集上的方法.

主要成果:

  • 重建的图像展示了准确的结构信息和丰富的纹理细节.
  • 在n-way评估中,NEI-GNN方法显著优于现有的最先进方法.
关键词:
大脑解码的解码.功能磁力共振成像 (fMRI) 是一种多个尺度的约束.自然图像重建自然图像重建节点边界的相互作用.

更多相关视频

Using Informational Connectivity to Measure the Synchronous Emergence of fMRI Multi-voxel Information Across Time
07:12

Using Informational Connectivity to Measure the Synchronous Emergence of fMRI Multi-voxel Information Across Time

Published on: July 1, 2014

12.3K
High-resolution Functional Magnetic Resonance Imaging Methods for Human Midbrain
10:06

High-resolution Functional Magnetic Resonance Imaging Methods for Human Midbrain

Published on: May 10, 2012

12.9K

相关实验视频

Last Updated: Jun 29, 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

1.1K
Using Informational Connectivity to Measure the Synchronous Emergence of fMRI Multi-voxel Information Across Time
07:12

Using Informational Connectivity to Measure the Synchronous Emergence of fMRI Multi-voxel Information Across Time

Published on: July 1, 2014

12.3K
High-resolution Functional Magnetic Resonance Imaging Methods for Human Midbrain
10:06

High-resolution Functional Magnetic Resonance Imaging Methods for Human Midbrain

Published on: May 10, 2012

12.9K
  • 在MSE (例如82.00%) 和SSIM (例如83.50%) 评估中获得高分,表现出卓越的表现.

    • 结论:

    • 拟议的方法有效地利用大脑区域之间的信息相互作用,以改善图像重建.
    • NEI-GNN块和多尺度约束增强了解码图像中的全球结构和本地细节.
    • 这项研究突出了开发更复杂的视觉解码BCI的潜力.