fMRI 相关 AI 资讯 · AI 热点

8月20日

10:19

10:19

官方账号arXiv cs.LG@Zhenyao Cui, Siyuan Kan, Dingkun Liu, Dongrui Wu

近期研究发现，传统脑信号到图像检索技术依赖多次试验平均，当试验次数减少时检索准确率明显下降。该团队发现问题不仅源于查询噪声，还与图像表示的画廊布局有关，于是提出NEAR框架。NEAR通过锚定神经和视觉表示来优化检索过程，在EEG、MEG、fMRI等多类数据集测试中，提升少重复场景下检索表现，如THINGS-EEG2数据集上单次试验Top-1准确率提升5.7个百分点。

AI模型 NEAR EEG MEG

推荐理由：我朋友知道有个叫NEAR的新方法，能帮脑信号图像图像检索不用试那么多遍，和以前方法比，少重复的时候效果更好了。

8月10日

10:46

10:46

官方账号arXiv cs.LG@Deepank Girish, Yi Hao Chan, Yubin Zheng, Sukrit Gupta, Jagath C. Rajapakse

FedDOSE是一个面向多站点fMRI数据的联邦学习框架，显式分解站点差异，用于动态功能连接（dFC）分析。它引入模块引导的Tucker分解块来编码高维dFC张量，提取模块级时空模式，并用最优传输重心与Procrustes分析对齐全局类别原型。在ABIDE-I、ABIDE-II和ADHD-200三个数据集上，FedDOSE在自闭症谱系障碍（ASD）和注意缺陷多动障碍（ADHD）诊断中的表现均优于现有方法。

论文 FedDOSE 联邦学习 fMRI

推荐理由：FedDOSE用联邦学习处理多中心脑影像数据，在ABIDE和ADHD-200上自闭症、多动症识别都超过现有方法，做医疗AI的可以看看。

7月14日

11:00

11:00

官方账号arXiv cs.LG@Pierre-Louis Barbarant, Florent Meyniel, Bertrand Thirion

arXiv 论文提出 SpectralOT，一种针对 fMRI 数据的功能对齐方法。它通过将皮层几何嵌入 Laplace-Beltrami 特征模态来正则化对齐过程，平衡功能特征保留与解剖结构保持。该方法在计算效率上优于传统算法，在跨被试解码任务中验证了性能提升。SpectralOT 解决了个体间脑响应变异导致的解码器泛化问题。

论文 SpectralOT fMRI 功能对齐

推荐理由：这篇论文讲了一个新的fMRI对齐方法SpectralOT，在保留解剖结构的同时提高了跨被试解码的准确性，做神经科学研究的可以看看。

5月20日

11:20

11:20

官方账号arXiv cs.LG@Ken Nakamura, Tomoya Nakai, Ryuto Yashiro, Ayumu Yamashita, Kaoru Amano

精选

本文提出一个统一框架，通过识别预测恢复的响应维度来评估人工视觉模型与人类视觉皮层的对齐程度，而不仅仅是依赖预测精度。利用重复fMRI测量，先确定可重复预测的脑响应维度，再量化模型或他人脑信号对这些维度的恢复程度。在自然场景数据集上的实验显示，早期到中期视觉皮层存在低维可重复维度，脑间比较可提供诊断性人类参考。预训练和随机初始化模型有时预测精度相似，但恢复轮廓不同，表明仅靠预测精度可能掩盖模型与大脑的失配。该框架为评估模型-大脑对齐提供了更诊断性的方法。

论文视觉模型大脑对齐 fMRI

推荐理由：做视觉模型与脑科学交叉研究的团队，终于有了一个能诊断模型到底恢复了大脑哪些维度的工具，而不是只看一个精度数字。建议做fMRI或视觉编码模型的点开，看完会重新理解什么才是真正的模型-大脑对齐。