MRGazer：在个体空间中从功能磁共振成像解码眼动注视点
计算机视觉与模式识别
2023-11-28 v2 神经元与认知
摘要
眼动追踪研究已被证明对理解众多认知功能具有重要价值。近来，Frey等人提出了一种从fMRI数据学习眼动的令人振奋的深度学习方法。然而，该方法需将fMRI共配准到标准空间以获取眼球掩膜，因而需要额外模板且耗时。为解决此问题，本文提出名为MRGazer的框架，用于从个体空间中的fMRI预测眼动注视点。MRGazer由眼球提取模块和基于残差网络的眼动注视预测组成。相较先前方法，所提框架跳过了fMRI共配准步骤，简化了处理流程并实现了端到端眼动注视回归。该方法在多种眼动任务中取得优于基于共配准方法的性能，并在更短时间（每个体约0.02秒）内给出客观结果，而先前方法约需0.3秒每个体。
引用
@article{arxiv.2311.13372,
title = {MRGazer: Decoding Eye Gaze Points from Functional Magnetic Resonance Imaging in Individual Space},
author = {Xiuwen Wu and Rongjie Hu and Jie Liang and Yanming Wang and Bensheng Qiu and Xiaoxiao Wang},
journal= {arXiv preprint arXiv:2311.13372},
year = {2023}
}