論文の概要: A Foundation Model for Brain MRI with Dynamic Modality Integration

• arxiv url: http://arxiv.org/abs/2511.03014v1
• Date: Tue, 04 Nov 2025 21:25:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.252669
• Title: A Foundation Model for Brain MRI with Dynamic Modality Integration
• Title（参考訳）: 動的モード統合を用いた脳MRIの基礎モデル
• Authors: Minh Sao Khue Luu, Bair N. Tuchinov,
• Abstract要約: 本稿では,脳MRIの基礎モデルを提案する。 このモデルは、学習可能なモダリティ埋め込み、条件層正規化、マスク付きオートエンコーディング目的の1つのエンコーダを使用する。 約6万個のマルチセンターMRIで、自己教師付き再構成とモダリティ計算を用いて訓練されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a foundation model for brain MRI that can work with different combinations of imaging sequences. The model uses one encoder with learnable modality embeddings, conditional layer normalization, and a masked autoencoding objective that accounts for missing modalities. A variance-covariance regularizer is applied to stabilize feature learning and improve representation diversity. This design removes the need for separate models for each modality and allows the network to adapt when some sequences are missing or unseen. It is trained on about 60,000 multi-center MRIs using self-supervised reconstruction and modality imputation to learn flexible representations. A learnable modality embedding guides feature extraction so the encoder can adjust to different inputs. We describe our planned evaluation on brain tumor and multiple sclerosis segmentation, as well as lesion classification, under various modality settings. Preliminary results show that the method works feasibly, and further experiments are planned to study its performance in more detail. All code and pretrained models are available at https://github.com/BrainFM/brainfm
• Abstract（参考訳）: 本稿では,脳MRIの基礎モデルを提案する。 このモデルは、学習可能なモダリティ埋め込み、条件層正規化、および欠落したモダリティを考慮に入れたマスク付きオートエンコーディング目的を備えた1つのエンコーダを使用する。 分散共分散正規化器を用いて特徴学習を安定化し、表現多様性を向上させる。 この設計では、モダリティごとに別々のモデルの必要性を排除し、いくつかのシーケンスが欠落したり、見当たらない場合にネットワークが適応できるようにする。 約6万個のマルチセンターMRIで、自己教師付き再構成とモダリティ計算を用いて、フレキシブルな表現を学習する。 学習可能なモダリティ埋め込みは特徴抽出をガイドし、エンコーダは異なる入力に調整できる。 脳腫瘍,多発性硬化症,病変の分類について,様々な条件下で検討した。 予備的な結果から,本手法が実現可能であり,さらに詳細な実験が計画されている。 すべてのコードと事前訓練されたモデルはhttps://github.com/BrainFM/brainfmで入手できる。

関連論文リスト

• MultiMAE for Brain MRIs: Robustness to Missing Inputs Using Multi-Modal Masked Autoencoder [18.774351784192266]
  医療画像データでは、入力シーケンスの欠落が一般的であり、完全な入力データに依存するディープラーニングモデルの課題となっている。 脳MRIを用いた3次元医療画像におけるマルチモーダル・マルチタスク学習のためのマスク付きオートエンコーダ(MAE)パラダイムを開発した。
  論文  参考訳（メタデータ） (2025-09-14T21:33:59Z)
• Modality-Agnostic Input Channels Enable Segmentation of Brain lesions in Multimodal MRI with Sequences Unavailable During Training [4.672822120456554]
  マルチモーダル脳MRIのほとんどのセグメンテーションモデルは固定モードに制限されている。 いくつかのモデルは、目に見えないモダリティに一般化するが、モダリティ固有の情報を失う可能性がある。 本研究の目的は、トレーニング中に見えない画像のモダリティを含むデータに対して推論を行うモデルを開発することである。
  論文  参考訳（メタデータ） (2025-09-11T09:25:30Z)
• Feasibility of Federated Learning from Client Databases with Different Brain Diseases and MRI Modalities [5.629645463085369]
  MRIの脳病変のモデルは通常、特定の疾患のために開発され、事前に定義されたMRIモダリティのセットでデータに基づいて訓練される。 この訓練パラダイムは、モデルが異種データベースから学習する利点を使用するのを防ぐ。 モデルとトレーニング戦略の適切な,シンプルな,実践的な変更を組み合わせることで,有望な結果を示す。
  論文  参考訳（メタデータ） (2024-06-17T15:16:18Z)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。