論文の概要: Lost in Distortion: Uncovering the Domain Gap Between Computer Vision and Brain Imaging - A Study on Pretraining for Age Prediction

• arxiv url: http://arxiv.org/abs/2512.01310v1
• Date: Mon, 01 Dec 2025 06:11:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.704222
• Title: Lost in Distortion: Uncovering the Domain Gap Between Computer Vision and Brain Imaging - A Study on Pretraining for Age Prediction
• Title（参考訳）: ゆがみの喪失:コンピュータビジョンと脳画像の領域ギャップを明らかにする -年齢予測のための事前学習に関する研究
• Authors: Yanteng Zhang, Songheng Li, Zeyu Shen, Qizhen Lan, Lipei Zhang, Yang Liu, Vince Calhoun,
• Abstract要約: 我々は、プレトレーニングにおけるデータ品質レベルの役割とその下流タスクへの影響を体系的に検討する。 具体的には、異なる品質レベルのデータセットで事前トレーニングを行い、外部コホート上での脳年齢予測のための微調整を行う。 結果から,品質レベルの大きなパフォーマンス差を示し,機会と限界の両方を明らかにした。
• 参考スコア（独自算出の注目度）: 3.6421420152854638
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale brain imaging datasets provide unprecedented opportunities for developing domain foundation models through pretraining. However, unlike natural image datasets in computer vision, these neuroimaging data often exhibit high heterogeneity in quality, ranging from well-structured scans to severely distorted or incomplete brain volumes. This raises a fundamental question: can noise or low-quality scans contribute meaningfully to pretraining, or do they instead hinder model learning? In this study, we systematically explore the role of data quality level in pretraining and its impact on downstream tasks. Specifically, we perform pretraining on datasets with different quality levels and perform fine-tuning for brain age prediction on external cohorts. Our results show significant performance differences across quality levels, revealing both opportunities and limitations. We further discuss the gap between computer vision practices and clinical neuroimaging standards, emphasizing the necessity of domain-aware curation to ensure trusted and generalizable domain-specific foundation models.
• Abstract（参考訳）: 大規模な脳画像データセットは、事前トレーニングを通じてドメイン基盤モデルを開発する前例のない機会を提供する。 しかし、コンピュータビジョンの自然な画像データセットとは異なり、これらのニューロイメージングデータは、よく構造化されたスキャンから、ひどく歪んだり、不完全な脳の体積まで、しばしば高い不均一性を示す。 ノイズや低品質のスキャンは事前トレーニングに有意義に寄与するのか、それともモデル学習を妨げるのか? 本研究では,プレトレーニングにおけるデータ品質レベルの役割とその下流タスクへの影響を系統的に検討する。 具体的には、異なる品質レベルのデータセットで事前トレーニングを行い、外部コホート上での脳年齢予測のための微調整を行う。 結果から,品質レベルの大きなパフォーマンス差がみられ,その可能性と限界が明らかとなった。 さらに、コンピュータビジョンの実践と臨床神経画像標準とのギャップを議論し、信頼性と一般化可能なドメイン固有基盤モデルを保証するために、ドメイン認識型キュレーションの必要性を強調した。

関連論文リスト

• Large Connectome Model: An fMRI Foundation Model of Brain Connectomes Empowered by Brain-Environment Interaction in Multitask Learning Landscape [12.920888696520366]
  機能神経画像の基礎モデルは臨床応用を促進するために重要である。 我々は、豊かな環境変数と人口統計データを活用することで、マルチタスク学習としての脳モデルを構築した。 我々は、性予知、人間の行動認識、自閉症の早期診断、パーキンソン病、アルツハイマー病、統合失調症など、様々な応用に関する基礎モデルを評価した。
  論文  参考訳（メタデータ） (2025-10-21T03:50:51Z)
• Deep generative priors for 3D brain analysis [9.407614414126142]
  本稿では,医療画像逆問題に対する拡散モデルの最初の汎用的応用について述べる。 我々のアプローチは、様々な脳MRIデータに基づいて、より柔軟な前方モデルと組み合わせたスコアベースの拡散を利用して、一般的な画像処理タスクをキャプチャする。
  論文  参考訳（メタデータ） (2025-10-16T20:20:50Z)
• 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)
• Mapping minds not averages: a scalable subject-specific manifold learning framework for neuroimaging data [0.0]
  構造化データと時間的非構造化データの両方にわたる主観的空間変動を捉えることができる多様体学習フレームワークを提案する。 本研究では,このフレームワークを大規模データセットに効率よく拡張し,新たな対象に最適化することを示す。 以上より,本フレームワークは臨床的に関連のある脳活動パターンを明らかにすることができることが示唆された。
  論文  参考訳（メタデータ） (2025-04-30T21:40:54Z)
• 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)
• Robust Alzheimer's Progression Modeling using Cross-Domain Self-Supervised Deep Learning [3.0948853907734044]
  我々は,医学画像を入力として回帰問題として,疾患予測モデリングのためのクロスドメイン自己教師型学習手法を開発した。 脳MRIによるアルツハイマー病の進行予測を,自己指導型プレトレーニングで改善できることを実証した。 また,脳MRIデータの拡張(ラベル付きではない)による事前トレーニングは,自然画像上での事前トレーニングよりも優れていた。
  論文  参考訳（メタデータ） (2022-11-15T23:04:15Z)
• 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)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。