論文の概要: Building a General SimCLR Self-Supervised Foundation Model Across Neurological Diseases to Advance 3D Brain MRI Diagnoses

• arxiv url: http://arxiv.org/abs/2509.10620v1
• Date: Fri, 12 Sep 2025 18:05:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.69516
• Title: Building a General SimCLR Self-Supervised Foundation Model Across Neurological Diseases to Advance 3D Brain MRI Diagnoses
• Title（参考訳）: 3次元脳MRI診断の進歩をめざしたSimCLR自己監督基礎モデルの構築
• Authors: Emily Kaczmarek, Justin Szeto, Brennan Nichyporuk, Tal Arbel,
• Abstract要約: 3次元脳構造MRIのための汎用高分解能SimCLRベースSSL基盤モデルを提案する。 アルツハイマー病の予測にはラベル付きトレーニングサンプルの20%しか使用していない。
• 参考スコア（独自算出の注目度）: 2.4836875944302634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D structural Magnetic Resonance Imaging (MRI) brain scans are commonly acquired in clinical settings to monitor a wide range of neurological conditions, including neurodegenerative disorders and stroke. While deep learning models have shown promising results analyzing 3D MRI across a number of brain imaging tasks, most are highly tailored for specific tasks with limited labeled data, and are not able to generalize across tasks and/or populations. The development of self-supervised learning (SSL) has enabled the creation of large medical foundation models that leverage diverse, unlabeled datasets ranging from healthy to diseased data, showing significant success in 2D medical imaging applications. However, even the very few foundation models for 3D brain MRI that have been developed remain limited in resolution, scope, or accessibility. In this work, we present a general, high-resolution SimCLR-based SSL foundation model for 3D brain structural MRI, pre-trained on 18,759 patients (44,958 scans) from 11 publicly available datasets spanning diverse neurological diseases. We compare our model to Masked Autoencoders (MAE), as well as two supervised baselines, on four diverse downstream prediction tasks in both in-distribution and out-of-distribution settings. Our fine-tuned SimCLR model outperforms all other models across all tasks. Notably, our model still achieves superior performance when fine-tuned using only 20% of labeled training samples for predicting Alzheimer's disease. We use publicly available code and data, and release our trained model at https://github.com/emilykaczmarek/3D-Neuro-SimCLR, contributing a broadly applicable and accessible foundation model for clinical brain MRI analysis.
• Abstract（参考訳）: 3次元構造型磁気共鳴イメージング(MRI)脳スキャンは、神経変性疾患や脳卒中を含む幅広い神経疾患を監視するために、一般的に臨床環境で取得される。 ディープラーニングモデルは、多くの脳画像タスクで3D MRIを分析する有望な結果を示しているが、多くはラベル付きデータに制限された特定のタスクに適したものであり、タスクや人口をまたいだ一般化ができない。 自己教師付き学習(SSL)の開発により、健康データから疾患データまで多種多様なラベルなしデータセットを活用する大規模な医療基盤モデルの作成が可能となり、2D医療画像アプリケーションで大きな成功を収めた。 しかし、開発中の3D脳MRIの基礎モデルでさえ、解像度、スコープ、アクセシビリティに制限されている。 本研究では,3次元脳構造MRIのための汎用的高分解能SimCLRベースのSSL基盤モデルについて,多種多様な神経疾患を対象とする11の公開データセットから18,759人の患者(44,958スキャン)に事前トレーニングを行った。 本モデルとMasked Autoencoders(MAE)の2つの教師付きベースラインを比較した。 私たちの微調整のSimCLRモデルは、すべてのタスクで他のすべてのモデルより優れています。 特に,アルツハイマー病の予測にはラベル付きトレーニングサンプルの20%しか使用せず,微調整時に優れた性能が得られている。 我々は、公開コードとデータを使用し、トレーニングされたモデルをhttps://github.com/emilykaczmarek/3D-Neuro-SimCLRでリリースします。

関連論文リスト

• Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
  我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。 NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。 年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-06-11T23:51:01Z)
• Latent 3D Brain MRI Counterfactual [25.598362396064367]
  潜在空間内に構造因果モデル(Structure Causal Model, SCM)を構築するための2段階手法を提案する。 第一段階では、VQ-VAEを用いてMRIボリュームのコンパクトな埋め込みを学習する。 その後、この潜在空間に因果モデルを統合するとともに、3段階の対応手順を実行する。
  論文  参考訳（メタデータ） (2024-09-09T13:15:03Z)
• Brain3D: Generating 3D Objects from fMRI [76.41771117405973]
  被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。 我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。 予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
  論文  参考訳（メタデータ） (2024-05-24T06:06:11Z)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• DeepAD: A Robust Deep Learning Model of Alzheimer's Disease Progression for Real-World Clinical Applications [0.9999629695552196]
  本稿では,アルツハイマー病の進行を予測するための新しいマルチタスク深層学習モデルを提案する。 本モデルでは,3次元畳み込みニューラルネットワークの高次元MRI特徴を他のデータモダリティと統合する。
  論文  参考訳（メタデータ） (2022-03-17T05:42:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。