Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Voxel-Level Brain States Prediction Using Swin Transformer

Created by
  • Haebom

저자

Yifei Sun, Daniel Chahine, Qinghao Wen, Tianming Liu, Xiang Li, Yixuan Yuan, Fernando Calamante, Jinglei Lv

개요

본 논문은 기능적 자기공명영상(fMRI) 데이터를 이용하여 인간의 휴지기 뇌 상태를 예측하는 새로운 모델을 제안합니다. 3차원 공간적 조직과 시간적 의존성을 가진 fMRI 데이터의 특성을 고려하여, 4차원 시프티드 윈도우(Swin) 트랜스포머를 인코더로, 합성곱 디코더를 디코더로 사용하는 새로운 아키텍처를 제시합니다. Human Connectome Project (HCP)의 100명의 피험자 데이터를 이용하여 모델을 학습 및 테스트하였으며, 23.04초의 fMRI 시계열 데이터를 기반으로 7.2초 후의 휴지기 뇌 활동을 높은 정확도로 예측하는 결과를 보였습니다. 예측된 뇌 상태는 BOLD 대조 및 역동성과 매우 유사합니다. 이는 고해상도에서 Swin Transformer 모델이 인간 뇌의 시공간적 조직을 학습할 수 있음을 보여주는 유망한 증거이며, 향후 fMRI 스캔 시간 단축 및 뇌-컴퓨터 인터페이스 개발에 잠재력을 제공합니다.

시사점, 한계점

•
시사점:
◦
Swin Transformer 기반 모델을 이용한 fMRI 휴지기 뇌 상태 예측의 높은 정확도를 보임.
◦
fMRI 스캔 시간 단축 및 뇌-컴퓨터 인터페이스 개발 가능성 제시.
◦
고해상도에서 인간 뇌의 시공간적 조직 학습 가능성을 확인.
◦
예측된 뇌 상태가 실제 BOLD 신호와 유사함을 확인.
•
한계점:
◦
HCP 데이터셋의 특정한 특징에 대한 모델의 일반화 성능에 대한 추가 검증 필요.
◦
다른 fMRI 패러다임이나 질병 상태에 대한 모델의 적용 가능성에 대한 추가 연구 필요.
◦
모델의 복잡성 및 계산 비용에 대한 고찰 필요.
◦
예측 정확도 향상을 위한 추가적인 모델 개선 연구 필요.
👍
Made with Slashpage