論文の概要: From 100,000+ images to winning the first brain MRI foundation model challenges: Sharing lessons and models

• arxiv url: http://arxiv.org/abs/2601.13166v1
• Date: Mon, 19 Jan 2026 15:43:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.958555
• Title: From 100,000+ images to winning the first brain MRI foundation model challenges: Sharing lessons and models
• Title（参考訳）: 10万以上の画像から最初の脳MRI基礎モデルへの挑戦:レッスンとモデルの共有
• Authors: Pedro M. Gordaliza, Jaume Banus, Benoît Gérin, Maxence Wynen, Nataliia Molchanova, Jonas Richiardi, Meritxell Bach Cuadra,
• Abstract要約: 3D脳MRI、SSL3D、FOMO25の最初の課題はMICCAI 2025で開催された。 我々の解答は両大会の1位にランクインした。 U-Net CNNアーキテクチャと、解剖学的な先行性を活用する戦略と、ドメイン知識をニューロイメージングする戦略の組み合わせに依存している。
• 参考スコア（独自算出の注目度）: 2.3343154536986592
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Developing Foundation Models for medical image analysis is essential to overcome the unique challenges of radiological tasks. The first challenges of this kind for 3D brain MRI, SSL3D and FOMO25, were held at MICCAI 2025. Our solution ranked first in tracks of both contests. It relies on a U-Net CNN architecture combined with strategies leveraging anatomical priors and neuroimaging domain knowledge. Notably, our models trained 1-2 orders of magnitude faster and were 10 times smaller than competing transformer-based approaches. Models are available here: https://github.com/jbanusco/BrainFM4Challenges.
• Abstract（参考訳）: 医用画像解析のための基礎モデルの開発は,放射線学的な課題の克服に不可欠である。 この3D脳MRIの最初の課題であるSSL3DとFOMO25がMICCAI 2025で開催された。 我々の解答は両大会の1位にランクインした。 U-Net CNNアーキテクチャと、解剖学的な先行性を活用する戦略と、ドメイン知識をニューロイメージングする戦略の組み合わせに依存している。 特に、我々のモデルは1-2オーダーを桁違いに高速に訓練し、競合するトランスフォーマーベースのアプローチの10倍の規模であった。 モデルについては、https://github.com/jbanusco/BrainFM4Challengesを参照してください。

関連論文リスト

• 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)
• Residual Vision Transformer (ResViT) Based Self-Supervised Learning Model for Brain Tumor Classification [0.08192907805418585]
  自己教師付き学習モデルは、限られたデータセット問題に対するデータ効率と注目すべき解決策を提供する。 本稿では2段階の脳腫瘍分類のための生成型SSLモデルを提案する。 提案されたモデルが最も精度が高く、T1シークエンスでBraTsデータセットで90.56%、Figshareで98.53%、Kaggle脳腫瘍データセットで98.47%を達成している。
  論文  参考訳（メタデータ） (2024-11-19T21:42:57Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• BrainSegFounder: Towards 3D Foundation Models for Neuroimage Segmentation [6.5388528484686885]
  本研究は,医療基盤モデルの創出に向けた新しいアプローチを紹介する。 本稿では,視覚変換器を用いた2段階事前学習手法を提案する。 BrainFounderは、これまでの勝利ソリューションの成果を上回る、大幅なパフォーマンス向上を実演している。
  論文  参考訳（メタデータ） (2024-06-14T19:49:45Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Customizing General-Purpose Foundation Models for Medical Report Generation [64.31265734687182]
  ラベル付き医用画像-レポートペアの不足は、ディープニューラルネットワークや大規模ニューラルネットワークの開発において大きな課題となっている。 本稿では,コンピュータビジョンと自然言語処理の基盤モデル (FM) として,市販の汎用大規模事前学習モデルのカスタマイズを提案する。
  論文  参考訳（メタデータ） (2023-06-09T03:02:36Z)

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。