Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
  Using GAN for learning joint task/response distribution in fMRI

Lee, J., Loktyushin, A., Stelzer, J., & Lohmann, G. (submitted). Using GAN for learning joint task/response distribution in fMRI.

Item is

Basisdaten

einblenden: ausblenden:
Genre: Meeting Abstract

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
https://openreview.net/pdf?id=rylMuVFoFN (beliebiger Volltext)
Beschreibung:
-
OA-Status:

Urheber

einblenden:
ausblenden:
 Urheber:
Lee, JY1, 2, Autor           
Loktyushin, A1, 2, Autor           
Stelzer, J1, 2, Autor           
Lohmann, G1, 2, Autor           
Affiliations:
1Department High-Field Magnetic Resonance, Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497796              
2Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497794              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: This is a proof-of-principle study on using generative adversarial network (GAN) to synthesize functional Magnetic Resonance Imaging (fMRI) data. We trained GAN to model the joint distribution of motor task functional magnetic resonance imaging (fMRI) data and the corresponding task labels. Synthesized images by the trained GAN successfully replicated the task relevant fMRI signal in the motor cortex. This result shows a potential for using GAN to augment fMRI data.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 2019-05
 Publikationsstatus: Eingereicht
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: -
 Art des Abschluß: -

Veranstaltung

einblenden:
ausblenden:
Titel: Medical Imaging with Deep Learning (MIDL 2019)
Veranstaltungsort: London, UK
Start-/Enddatum: 2019-07-08 - 2019-07-10

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: Medical Imaging with Deep Learning (MIDL 2019)
Genre der Quelle: Konferenzband
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: -
Seiten: - Band / Heft: - Artikelnummer: - Start- / Endseite: - Identifikator: -