JP6643771B2 - 脳活動解析装置、脳活動解析方法および脳活動解析プログラム - Google Patents
脳活動解析装置、脳活動解析方法および脳活動解析プログラム Download PDFInfo
- Publication number
- JP6643771B2 JP6643771B2 JP2015202275A JP2015202275A JP6643771B2 JP 6643771 B2 JP6643771 B2 JP 6643771B2 JP 2015202275 A JP2015202275 A JP 2015202275A JP 2015202275 A JP2015202275 A JP 2015202275A JP 6643771 B2 JP6643771 B2 JP 6643771B2
- Authority
- JP
- Japan
- Prior art keywords
- brain activity
- subject
- feature vector
- image
- category
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007177 brain activity Effects 0.000 title claims description 125
- 238000004458 analytical method Methods 0.000 title claims description 32
- 239000013598 vector Substances 0.000 claims description 139
- 230000000007 visual effect Effects 0.000 claims description 136
- 238000012545 processing Methods 0.000 claims description 47
- 210000004556 brain Anatomy 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 35
- 238000013527 convolutional neural network Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 24
- 238000010801 machine learning Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 238000010304 firing Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 70
- 230000005291 magnetic effect Effects 0.000 description 40
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 39
- 238000002595 magnetic resonance imaging Methods 0.000 description 29
- 238000010586 diagram Methods 0.000 description 28
- 238000002474 experimental method Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 28
- 238000012549 training Methods 0.000 description 22
- 230000000875 corresponding effect Effects 0.000 description 21
- 238000005259 measurement Methods 0.000 description 19
- 238000003860 storage Methods 0.000 description 17
- 210000004027 cell Anatomy 0.000 description 14
- 238000005481 NMR spectroscopy Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 13
- 230000003068 static effect Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 11
- 210000000857 visual cortex Anatomy 0.000 description 10
- 210000003710 cerebral cortex Anatomy 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000001537 neural effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 102000001554 Hemoglobins Human genes 0.000 description 5
- 108010054147 Hemoglobins Proteins 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000763 evoking effect Effects 0.000 description 5
- 201000011243 gastrointestinal stromal tumor Diseases 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 125000004429 atom Chemical group 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 230000003925 brain function Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 210000001525 retina Anatomy 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 102100033620 Calponin-1 Human genes 0.000 description 2
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001054 cortical effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 241000272525 Anas platyrhynchos Species 0.000 description 1
- 241000212384 Bifora Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000036992 cognitive tasks Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000005292 diamagnetic effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000008338 local blood flow Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000005298 paramagnetic effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 239000005342 prism glass Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Description
制約のない実世界シーンの画像に対して計算機がその中に含まれる物体を一般的な名称で認識する技術を、「一般物体認識」と呼ぶ。言い換えれば、「一般物体認識」とは、識別器を機械学習で訓練する際のデータベースには存在しない入力画像の物体のカテゴリを予測する(分類する)ことを意味する。
[実施の形態1]
図1は、MRI装置10の全体構成を示す模式図である。
これらXコイル、Yコイル及びZコイルは、それぞれX軸方向、Y軸方向及びZ軸方向を順番に切り替えながら、ボア内の均一磁場に対し傾斜磁場を重畳させ、静磁場に強度勾配を付与する。Zコイルは励起時に、磁界強度をZ方向に傾斜させて共鳴面を限定し、Yコイルは、Z方向の磁界印加の直後に短時間の傾斜を加えて検出信号にY座標に比例した位相変調を加え(位相エンコーディング)、Xコイルは、続いてデータ採取時に傾斜を加えて、検出信号にX座標に比例した周波数変調を与える(周波数エンコーディング)。
なお、RF照射部16は、図1において、磁場印加機構11に内蔵されているが、寝台18に設けられたり、あるいは、受信コイル20と一体化されていてもよい。
ここで、受信コイル20には、NMR信号の電磁波がそのコイル素線を切ると電磁誘導に基づき微弱電流が生じる。この微弱電流は、信号受信部28において増幅され、さらにアナログ信号からデジタル信号に変換されデータ処理部32に送られる。
1)画像データから画像中の物体の特徴を表す特徴ベクトルを抽出する特徴抽出器を特定するための特徴抽出器データ3100
実際は、この特徴抽出器は、物体認識をソフトウェアで実行するための識別器(分類器)であり、このようなソフトウェアを動作させるためのパラメータ等が、特徴抽出器データ3100に相当する。
b1)HMAXモデル
c1)GIST
d1)SIFT+BoFモデル
これらの識別器(分類器)のモデルについては、後に詳しく説明する。
具体的には、以下のようなデータが含まれる。
b2)学習用MRI測定データ3102を計測する際に、被験者に提示された画像について識別器(分類器)により抽出される物体の特徴ベクトル3104
c2)予測すべき物体カテゴリについて、同一の物体カテゴリ内で物体の特徴ベクトル3104を平均した物体特有の特徴ベクトル3106
d2)予測器を特定するための予測器データ3110
この予測器も、脳活動データから画像の特徴ベクトルを予測する処理をソフトウェアで実行するものであり、このようなソフトウェアを動作させるためのパラメータ等が、予測器データ3110に相当する。
1)学習用MRI測定データ3102と、物体の特徴ベクトル3104または物体特有の特徴ベクトル3106とを通信インタフェース2090経由で不揮発性記憶装置2080から受け取り、機械学習により予測器を生成して、生成された予測器を特定するための予測器データ3110を、不揮発性記憶装置2080に格納する予測器生成部3012。
つまり、この文献では、2人の被験者のペアについて、同一の視覚刺激が提示されたときの脳活動パターン(ボクセルパターン)を、複数の視覚刺激について、統計的機械学習を行って、一方の脳活動パターンから他方の脳活動パターンを予測している(ニューラルコードコンバータと呼ぶ)。なお、この統計的機械学習においては、任意の脳活動パターンを予測できるようにするために、2人の被験者に複数のランダムパターンを提示し、同一のパターンが提示された際の2人の脳活動パターンを関連付けて記録する。予測目標となる被検者の関心領域内の各ボクセルのfMRI信号の振幅を、他方の被験者の関心領域内のボクセルのfMRI信号の振幅の線形結合として、ニューラルコードコンバータを訓練する。ここで、このようなニューラルコードコンバータに対する学習には、後に説明するようなスパースロジスティック回帰の手法を用いることができる。
(脳活動解析装置システムの構築の手続き)
図4は、図3に示したような脳活動解析装置システムの構築の手続きを説明するためのフローチャートである。
・視覚野であるV1野−V4野、
・外側後頭複合体(LOC:lateral occipital complex)、
・紡錘状顔領域(FFA:fusiform face area)および
・海馬傍回場所領域(PPA:parahippocampal place area)
ここで、海馬傍回場所領域とは、海馬傍皮質の下位領域で (顔や物体ではなく) 風景の符号化と認知に重要な役割を持つとされる。fMRI研究により、この脳領域は被験者が自然風景や都市風景などの画像 (つまり"場所"の画像) のような地理的な風景の刺激を呈示された際に高い活動を示することが知られている。
[視覚特徴ベクトルを抽出する識別器(分類器)]
以下では、図4において、ステップS100の処理として、視覚的特徴を使用して、物体画像から特徴パターンを抽出し、各視覚的特徴の特徴ベクトルによって物体画像を表現する前提としての識別器について、説明する。
図7は、CNNモデルの構成の一例を説明するための概念図である。
以下の説明では、畳込みニューラルネットワークによるCNNモデルは、5つの畳み込み層(CNN1−5)および3つの全結合層(CNN6−8)から成る深層構造を備えた人工ニューラルネットワークであるものとする。
また、WordNetについては以下に開示がある。
WordNetは、英語の概念辞書(意味辞書)である。WordNetでは英単語がsynsetと呼ばれる同義語のグループに分類され、簡単な定義や、他の同義語のグループとの関係が記述される木構造を有している。すなわち、WordNetは、語を類義関係のセット(synset)でグループ化している点に特徴があり、一つのsynsetが一つの概念に対応する。また、各synsetは上位下位関係などの多様な関係で結ばれている。
HMAXモデルでは、特徴は、多層の中で階層的に計算される。
文献3:Serre, T., Wolf, L., Bileschi, S., Riesenhuber, M. & Poggio, T. ”Robust object recognition with cortex-like mechanisms.” IEEE Trans. Pattern Anal. Mach. Intell. 29, 411-426 (2007).
HMAXモデルの複数の層は、画像層および6つの後続する層(S1,C1,S2,C2,S3およびC3層)から成り、それらはテンプレートマッチングと最大化オペレーションとを交互に実行する。
GIST特徴は画像を小領域に区切り、それらの小領域に対し様々な方向,周波数のガボールフィルターをかけることにより、シーン情報を記述する特徴量である。
SIFT+BoFによる画像特徴は、脳における神経処理に基づかないものの、中間レベルの視覚皮質の領野との描写的な類似点が報告されている。
[視覚的特徴予測]
以下では、図4のステップS102で記載したような、予測器(デコーダ)を、脳活性パターンから、視認された物体の視覚的特徴のパターンを推定するように訓練する手続きについて、説明する。
なお、スパースロジスティック回帰については、たとえば、以下の文献に開示がある。
ここで、スパースロジスティック回帰による推定は、fMRIデータの場合のように、説明変数の次元の数が高い場合に、良い結果が得られることが知られている。
ここで、Nは、サンプルの個数であり、xは、N×(d+1)のfMRIデータマトリックスであって、そのn番目の行は、(d+1)次元ベクトルxnである。
tl={tl1,…,tln}Tは、視覚特徴ベクトルの要素のサンプルである。
訓練データセットを以下のように表す。
文献7:Sato, M.A. et al. Hierarchical Bayesian estimation for MEG inverse problem. Neuroimage 23, 806-826 (2004).
トレーニング画像セッションのfMRIサンプルを与えられたとしたときに、視認された物体カテゴリに対する個々の視覚的特徴の特徴ベクトルを推定する線形回帰モデルが、訓練される。
[実 験]
以下では、識別解析のために行った実験の内容について、さらに説明する。
(識別解析の実験のための準備)
次に、図4のステップS106から〜S108で記載したような、脳活性パターンから推定された多物体の視覚的特徴のパターンを使用して、視認された、あるいは、想像された物体を識別する処理の実験を行うための準備の処理について説明する。
(実験結果)
以下では、脳活動データからの画像の特徴ベクトルの予測について行った実験、および、推定された特徴ベクトルにより物体のカテゴリを推定する処理についての実験の結果を説明する。
(実験の具体的内容)
2つ種類の実験が行なわれた。つまり、画像提示実験、および、想像実験である。
ディスプレイの中心に、中心凝視スポットとともに画像が提示された。
各試験の開始は、凝視マークの色の変化で被験者に知らされた。
(画像特徴予測精度)
まず、多数の視覚野の脳活性パターンから、提示された画像に対する視覚的特徴ベクトルの値を計算により推定することができるかどうかを最初に調査した。
(物体特有の特徴予測精度)
図12は、視認された画像に対する、多数の視覚野からの物体特有の特徴の予測精度を示す図である。
(一般的な物体デコーディングを備えた物体カテゴリ識別)
図14は、物体カテゴリ識別の概念を示す図である。
また、本実施の形態のような物体カテゴリ識別では、デコードするモデルを訓練するのに使用されるカテゴリの数によって制限を受けないので、モデル・トレーニングに使用されないものを含む何千もの物体カテゴリに対して、識別精度を評価することができる。
したがって、低次および高次の視覚的特徴は視覚的な物体を、相応の精度で識別できるものの、中間レベルの特徴を識別解析で使用した場合の方が、より高い精度が得られた。これは、正確な物体識別中の中間レベルの表現の重要な貢献を示唆する。
たとえば、CNNで最も高い階層の特徴(CNN8)は、最も高い識別精度を達成するわけではない一方、特徴予測精および一般的な物体認識パフォーマンスは、中間レベルのCNNの特徴を用いる方が高かった。
Claims (8)
- 画像に含まれる物体のカテゴリ情報が関連付けられた複数の参照画像データを格納する画像データベースと、
前記参照画像データについて、視覚特徴ベクトルを抽出する視覚特徴抽出部と、
対象者の脳内の所定領域における脳活動を示す信号を測定するための脳活動検知装置からの信号を受信するためのインタフェースと、
複数の試験画像を被験者に提示した際に、被験者の脳内の所定領域における脳活動を示す信号として予め測定された信号に基づく機械学習により、脳活動パターンから推定した推定視覚特徴ベクトルを生成するための特徴予測手段と、
前記視覚特徴抽出部により抽出された視覚特徴ベクトルと、前記推定視覚特徴ベクトルとの相関の大きさに基づいて、前記対象者の前記所定領域に生じている脳活動パターンに対応する物体のカテゴリを識別する識別手段とを備える、脳活動解析装置。 - 前記画像データベース中に格納される参照画像データの物体のカテゴリの数は、前記被験者に提示した前記試験画像における物体のカテゴリの数よりも多い、請求項1記載の脳活動解析装置。
- 前記特徴予測手段の機械学習に使用され、前記試験画像に対応する視覚特徴ベクトルは、同一のカテゴリに属する複数の参照画像データに対する視覚特徴ベクトルを平均したものである、請求項1または2記載の脳活動解析装置。
- 前記視覚特徴抽出部は、多層構造を有する畳込みニューラルネットワークである、請求項1〜3のいずれか1項に記載の脳活動解析装置。
- 前記特徴予測手段が予測する前記推定視覚特徴ベクトルは、前記畳込みニューラルネットワークの中間の層の発火パターンから抽出された特徴量である、請求項4記載の脳活動解析装置。
- 前記特徴予測手段が予測する前記推定視覚特徴ベクトルは、SIFT+BoFによる画像特徴ベクトルである、請求項1〜3のいずれか1項に記載の脳活動解析装置。
- 対象者の脳内の所定領域における脳活動を示す信号を測定するための脳活動検知装置からの信号に基づいて、演算装置が、前記対象者が視認しているまたは想像している物体のカテゴリに識別を行うための脳活動解析方法であって、
前記演算装置が、複数の試験画像を被験者に提示した際に、被験者の脳内の所定領域における脳活動を示す信号として予め測定された信号に基づいて、脳活動パターンから推定視覚特徴ベクトルを推定する処理を機械学習するステップと、
前記演算装置が、前記脳活動検知装置からの信号に基づいて、推定視覚特徴ベクトルを推定するステップと、
前記演算装置が、画像に含まれる物体のカテゴリ情報が関連付けられた複数の参照画像データを格納する画像データベースにより前記参照画像データに対して抽出された視覚特徴ベクトルと、前記推定視覚特徴ベクトルとの類似度の大きさを算出するステップと、
前記演算装置が、算出された前記類似度の大きさに基づいて、前記対象者の前記所定領域に生じている脳活動パターンに対応する物体のカテゴリを識別するステップとを備える、脳活動解析方法。 - 対象者の脳内の所定領域における脳活動を示す信号を測定するための脳活動検知装置からの信号に基づいて、前記対象者が視認しているまたは想像している物体のカテゴリに識別を行う処理をコンピュータに実行させるための脳活動解析プログラムであって、
前記コンピュータの演算装置が、複数の試験画像を被験者に提示した際に、被験者の脳内の所定領域における脳活動を示す信号として予め測定された信号に基づいて、脳活動パターンから推定視覚特徴ベクトルを推定する処理を機械学習するステップと、
前記演算装置が、前記脳活動検知装置からの信号に基づいて、推定視覚特徴ベクトルを推定するステップと、
前記演算装置が、画像に含まれる物体のカテゴリ情報が関連付けられた複数の参照画像データを格納する画像データベースにより前記参照画像データに対して抽出された視覚特徴ベクトルと、前記推定視覚特徴ベクトルとの類似度の大きさを算出するステップと、
前記演算装置が、算出された前記類似度の大きさに基づいて、前記対象者の前記所定領域に生じている脳活動パターンに対応する物体のカテゴリを識別するステップと、
をコンピュータに実行させる、脳活動解析プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015202275A JP6643771B2 (ja) | 2015-10-13 | 2015-10-13 | 脳活動解析装置、脳活動解析方法および脳活動解析プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015202275A JP6643771B2 (ja) | 2015-10-13 | 2015-10-13 | 脳活動解析装置、脳活動解析方法および脳活動解析プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017076193A JP2017076193A (ja) | 2017-04-20 |
JP6643771B2 true JP6643771B2 (ja) | 2020-02-12 |
Family
ID=58551349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015202275A Active JP6643771B2 (ja) | 2015-10-13 | 2015-10-13 | 脳活動解析装置、脳活動解析方法および脳活動解析プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6643771B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4147636A4 (en) * | 2020-05-27 | 2024-05-15 | Tokyo Institute of Technology | INFORMATION PROCESSING DEVICE AND INFORMATION PROCESSING METHOD |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10817551B2 (en) | 2017-04-25 | 2020-10-27 | Panasonic Intellectual Property Management Co., Ltd. | Method for expanding word, word expanding apparatus, and non-transitory computer-readable recording medium |
WO2018218640A1 (en) | 2017-06-02 | 2018-12-06 | SZ DJI Technology Co., Ltd. | Systems and methods for multi-target tracking and autofocusing based on deep machine learning and laser radar |
JP6928348B2 (ja) * | 2017-08-09 | 2021-09-01 | 国立研究開発法人情報通信研究機構 | 脳活動予測装置、知覚認知内容推定システム、及び脳活動予測方法 |
KR102089014B1 (ko) * | 2018-09-07 | 2020-03-13 | 연세대학교 산학협력단 | 피검사체의 뇌 활동을 재구성한 이미지 생성 장치 및 그 방법 |
JP7325942B2 (ja) * | 2018-10-19 | 2023-08-15 | キヤノンメディカルシステムズ株式会社 | 画像処理装置及びプログラム |
WO2020209688A1 (ko) * | 2019-04-12 | 2020-10-15 | 한국과학기술원 | 머신 러닝을 이용하여 머리에 관한 생체 정보를 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
CN111080730B (zh) * | 2019-10-31 | 2023-05-23 | 东南大学 | 基于跨通道和空间加权卷积特征的脑图像解码方法及*** |
KR102564750B1 (ko) * | 2020-07-24 | 2023-08-09 | 고려대학교 산학협력단 | 단일 뇌 mr 슬라이스 영상 기반 치매 위험 예측 딥 러닝 방법 |
CN112686098B (zh) * | 2020-12-15 | 2023-05-26 | 中国人民解放军战略支援部队信息工程大学 | 基于Shape-Resnet的大脑中高级视觉区信号处理方法及*** |
KR102492342B1 (ko) * | 2021-03-03 | 2023-01-26 | 고려대학교 산학협력단 | 뇌파 신호를 이용한 얼굴 영상 생성 방법 및 장치 |
CN113012168B (zh) * | 2021-03-24 | 2022-11-04 | 哈尔滨理工大学 | 一种基于卷积神经网络的脑胶质瘤mri图像分割方法 |
CN113406663B (zh) * | 2021-06-17 | 2024-03-12 | 王高 | 基于p300与关联成像的视觉成像***及方法 |
JP7314331B1 (ja) * | 2022-01-28 | 2023-07-25 | 俊二 有賀 | Aiを用いた類似デザイン判定システム |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008102594A (ja) * | 2006-10-17 | 2008-05-01 | Fujitsu Ltd | コンテンツの検索方法及び検索装置 |
US9451883B2 (en) * | 2009-03-04 | 2016-09-27 | The Regents Of The University Of California | Apparatus and method for decoding sensory and cognitive information from brain activity |
JP5802916B2 (ja) * | 2011-02-28 | 2015-11-04 | 株式会社豊田中央研究所 | 感覚データ識別装置及びプログラム |
US10264990B2 (en) * | 2012-10-26 | 2019-04-23 | The Regents Of The University Of California | Methods of decoding speech from brain activity data and devices for practicing the same |
CN104700120B (zh) * | 2015-03-23 | 2018-11-13 | 南京工业大学 | 一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法 |
-
2015
- 2015-10-13 JP JP2015202275A patent/JP6643771B2/ja active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4147636A4 (en) * | 2020-05-27 | 2024-05-15 | Tokyo Institute of Technology | INFORMATION PROCESSING DEVICE AND INFORMATION PROCESSING METHOD |
Also Published As
Publication number | Publication date |
---|---|
JP2017076193A (ja) | 2017-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6643771B2 (ja) | 脳活動解析装置、脳活動解析方法および脳活動解析プログラム | |
Sahu et al. | FINE_DENSEIGANET: Automatic medical image classification in chest CT scan using Hybrid Deep Learning Framework | |
Montaha et al. | Timedistributed-cnn-lstm: A hybrid approach combining cnn and lstm to classify brain tumor on 3d mri scans performing ablation study | |
US8861815B2 (en) | Systems and methods for modeling and processing functional magnetic resonance image data using full-brain vector auto-regressive model | |
CN111344801A (zh) | 针对***癌的多模态计算机辅助诊断***和方法 | |
CN109447183A (zh) | 模型训练方法、装置、设备以及介质 | |
US20210401289A1 (en) | Brain functional connectivity correlation value adjustment method, brain functional connectivity correlation value adjustment system, brain activity classifier harmonization method, brain activity classifier harmonization system, and brain activity biomarker system | |
Hazarika et al. | A survey on classification algorithms of brain images in Alzheimer’s disease based on feature extraction techniques | |
KR102250954B1 (ko) | 뇌 mri 영상의 뇌 영역별 분할을 통한 치매 예측 장치 및 방법 | |
US20200402236A1 (en) | Multi-modal computer-aided diagnosis systems and methods for prostate cancer | |
Qiang et al. | Deep variational autoencoder for mapping functional brain networks | |
Chandrasekaran et al. | Fuzzy KNN Implementation for Early Parkinson's Disease Prediction | |
Chagas et al. | A new approach for the detection of pneumonia in children using CXR images based on an real-time IoT system | |
Arvesen | Automatic classification of Alzheimer's disease from structural MRI | |
Fareed et al. | ADD-Net: an effective deep learning model for early detection of Alzheimer disease in MRI scans | |
Redhya et al. | Refining PD classification through ensemble bionic machine learning architecture with adaptive threshold based image denoising | |
Torghabeh et al. | Effectiveness of learning rate in dementia severity prediction using VGG16 | |
Aderghal | Classification of multimodal MRI images using Deep Learning: Application to the diagnosis of Alzheimer’s disease. | |
KR102516868B1 (ko) | 파킨슨 병 검출을 위한 3d 컨볼루셔널 뉴럴 네트워크 | |
Amaludin et al. | Toward more accurate diagnosis of multiple sclerosis: Automated lesion segmentation in brain magnetic resonance image using modified U‐Net model | |
Sun | Empirical analysis for earlier diagnosis of Alzheimer’s disease using deep learning | |
Ranem et al. | Detecting respiratory motion artefacts for cardiovascular MRIs to ensure high-quality segmentation | |
Zhang | Biomarker estimation from medical images: segmentation-based and segmentation-free approaches | |
Anbukkarasu | Pattern Analysis and Prediction of Mild Cognitive Impairment Using the Conn Toolbox | |
Aminpour | A deep learning approach to focal cortical dysplasia segmentation in children with medically intractable epilepsy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20151014 |
|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20151111 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181010 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190826 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20191001 |
|
R155 | Notification before disposition of declining of application |
Free format text: JAPANESE INTERMEDIATE CODE: R155 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191224 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6643771 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |