論文の概要: Large-scale modality-invariant foundation models for brain MRI analysis: Application to lesion segmentation

• arxiv url: http://arxiv.org/abs/2511.11311v1
• Date: Fri, 14 Nov 2025 13:56:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.637637
• Title: Large-scale modality-invariant foundation models for brain MRI analysis: Application to lesion segmentation
• Title（参考訳）: 脳MRI解析のための大規模モダリティ不変基礎モデル:病変セグメンテーションへの応用
• Authors: Petros Koutsouvelis, Matej Gazda, Leroy Volmer, Sina Amirrajab, Kamil Barbierik, Branislav Setlak, Jakub Gazda, Peter Drotar,
• Abstract要約: 大規模ファンデーションモデル事前トレーニングは、神経イメージングタスクにおける数ショットのパフォーマンスを改善する解剖学の事前学習を可能にする。 ほとんどのSSLフレームワークは自然画像に適合しており、マルチモーダルMRI情報をキャプチャするための適応はいまだに未調査である。 本研究は, モダリティ不変な表現学習装置を提案し, 脳卒中とてんかん病変のセグメンテーションにおけるその有効性を評価する。
• 参考スコア（独自算出の注目度）: 0.4915052615294639
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The field of computer vision is undergoing a paradigm shift toward large-scale foundation model pre-training via self-supervised learning (SSL). Leveraging large volumes of unlabeled brain MRI data, such models can learn anatomical priors that improve few-shot performance in diverse neuroimaging tasks. However, most SSL frameworks are tailored to natural images, and their adaptation to capture multi-modal MRI information remains underexplored. This work proposes a modality-invariant representation learning setup and evaluates its effectiveness in stroke and epilepsy lesion segmentation, following large-scale pre-training. Experimental results suggest that despite successful cross-modality alignment, lesion segmentation primarily benefits from preserving fine-grained modality-specific features. Model checkpoints and code are made publicly available.
• Abstract（参考訳）: コンピュータビジョンの分野は、自己教師付き学習(SSL)による大規模基礎モデル事前学習へのパラダイムシフトが進行中である。 大量のラベルのない脳MRIデータを活用することで、様々なニューロイメージングタスクにおいて、少数ショットのパフォーマンスを改善する解剖学的な先行データを学ぶことができる。 しかし、ほとんどのSSLフレームワークは自然画像に適合しており、マルチモーダルMRI情報をキャプチャするための適応は未定である。 本研究は,脳卒中およびてんかん病変の分節化において,大規模な事前学習に追随して,その効果を評価するためのモダリティ不変表現学習装置を提案する。 実験結果から, 異方性アライメントが成功しているにもかかわらず, 病変のセグメンテーションは, 微細なモダリティ特異的な特徴の保存に有効であることが示唆された。 モデルチェックポイントとコードは公開されています。

関連論文リスト

• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
  医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。 MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2025-08-07T03:41:41Z)
• Multimodal Masked Autoencoder Pre-training for 3D MRI-Based Brain Tumor Analysis with Missing Modalities [0.0]
  BM-MAEはマルチモーダルMRIデータに適したマスク付き画像モデリング事前学習戦略である。 利用可能なモダリティの組み合わせにシームレスに適応し、モダリティ内情報とモダリティ間情報の両方をキャプチャするリッチな表現を抽出する。 欠落したモダリティを迅速かつ効率的に再構築し、その実用的価値を強調します。
  論文  参考訳（メタデータ） (2025-05-01T14:51:30Z)
• Large Scale Supervised Pretraining For Traumatic Brain Injury Segmentation [1.1203032569015594]
  msTBIの病変の分節化は,これらの病変の特徴が多様であることから,大きな課題となる。 AIMS-TBI Challenge 2024は、T1強調MRIデータ用に設計された革新的なセグメンテーションアルゴリズムを進化させることを目的としている。 さまざまな解剖学的および病理学的構造をカバーするデータセットの包括的コレクション上にResenc Lネットワークをトレーニングする。 その後、モデルがmsTBI固有のデータに基づいて微調整され、T1強調MRIスキャンの特性を最適化する。
  論文  参考訳（メタデータ） (2025-04-09T09:52:45Z)
• MedMAP: Promoting Incomplete Multi-modal Brain Tumor Segmentation with Alignment [20.358300924109162]
  臨床ではMRIの特定のモダリティが欠如している可能性があるため、より困難なシナリオが提示される。 知識蒸留、ドメイン適応、共有潜在空間は一般的に有望な戦略として現れている。 本稿では,事前学習モデルの置換として,係わるモダリティの潜在的特徴を適切に定義された分布アンカーに整合させる新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2024-08-18T13:16:30Z)
• Probabilistic 3D Correspondence Prediction from Sparse Unsegmented Images [1.2179682412409507]
  スパース画像データから3次元対応を予測する統一モデルであるSPI-CorrNetを提案する。 LGE MRI左房データセットとAbdomen CT-1K肝データセットを用いた実験により,スパース画像駆動SSMの精度とロバスト性の向上が示された。
  論文  参考訳（メタデータ） (2024-07-02T03:56:20Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)

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。