Diffusion Models for Computational Neuroimaging: A Survey

要約

計算ニューロイメージングには、脳画像または信号を分析して、人間の認知と行動のための機械的な洞察と予測ツールを提供します。
拡散モデルは、自然画像の安定性と高品質の生成を示していますが、データ強化、疾患診断、脳のデコードなどのさまざまな神経課題の脳データを分析するためにそれらを適応させることに関心が高まっています。
この調査では、拡散モデルを計算ニューロイメージングに統合するための最近の取り組みの概要を提供します。
まず、一般的なニューロイメージングデータのモダリティを導入し、拡散定式化と条件付けメカニズムに従います。
次に、拡散モデルの除去開始点、条件入力、および生成ターゲットの変動がどのように開発され、特定のニューロイメージングタスクが強化されるかについて説明します。
進行中の研究の包括的な概要については、https://github.com/joezhao527/dm4neuroで公開されているリポジトリを提供します。

要約(オリジナル)

Computational neuroimaging involves analyzing brain images or signals to provide mechanistic insights and predictive tools for human cognition and behavior. While diffusion models have shown stability and high-quality generation in natural images, there is increasing interest in adapting them to analyze brain data for various neurological tasks such as data enhancement, disease diagnosis and brain decoding. This survey provides an overview of recent efforts to integrate diffusion models into computational neuroimaging. We begin by introducing the common neuroimaging data modalities, follow with the diffusion formulations and conditioning mechanisms. Then we discuss how the variations of the denoising starting point, condition input and generation target of diffusion models are developed and enhance specific neuroimaging tasks. For a comprehensive overview of the ongoing research, we provide a publicly available repository at https://github.com/JoeZhao527/dm4neuro.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google