論文の概要: BrainDINO: A Brain MRI Foundation Model for Generalizable Clinical Representation Learning

• arxiv url: http://arxiv.org/abs/2604.27277v1
• Date: Thu, 30 Apr 2026 00:21:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.847518
• Title: BrainDINO: A Brain MRI Foundation Model for Generalizable Clinical Representation Learning
• Title（参考訳）: BrainDino: 一般化可能な臨床表現学習のための脳MRI基礎モデル
• Authors: Yizhou Wu, Shansong Wang, Yuheng Li, Mojtaba Safari, Mingzhe Hu, Chih-Wei Chang, Harini Veeraraghavan, Xiaofeng Yang,
• Abstract要約: 一つの自己教師型表現が異種脳MRIの終端をまたいで一般化可能であることを示す。 BrainDINOは、腫瘍の分節化、神経変性、神経発達条件の分類、脳年齢の推定、脳卒中後の時間的予測をサポートする。
• 参考スコア（独自算出の注目度）: 14.5428181453685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain MRI underpins a wide range of neuroscientific and clinical applications, yet most learning-based methods remain task-specific and require substantial labeled data. Here we show that a single self-supervised representation can generalize across heterogeneous brain MRI endpoints. We trained BrainDINO, a self-distilled foundation model, on approximately 6.6 million unlabeled axial slices from 20 datasets encompassing broad variation in population, disease, and acquisition setting. Using a frozen encoder with lightweight task heads, BrainDINO supported transfer across tumor segmentation, neurodegenerative and neurodevelopmental conditions classification, brain age estimation, post-stroke temporal prediction, molecular status prediction, MRI sequence classification, and survival modeling. Across tasks and supervision regimes, BrainDINO consistently equaled or exceeded natural-image and MRI-specific self-supervised baselines, with particularly strong advantages under label scarcity. Representation analyses further showed anatomically organized and pathology-sensitive feature structure in the absence of task-specific supervision. Our findings indicate that large-scale slice-wise self-supervised learning can yield a unified brain MRI representation that supports diverse neuroimaging tasks without volumetric pretraining or full-network fine-tuning, establishing a scalable foundation for robust and data-efficient brain imaging analysis.
• Abstract（参考訳）: 脳MRIは、幅広い神経科学および臨床応用を支えているが、ほとんどの学習ベースの方法はタスク固有であり、かなりのラベル付きデータを必要とする。 ここでは、一個の自己監督的表現が異種脳MRI終端をまたいで一般化可能であることを示す。 我々は、人口、病気、買収設定の幅広いバリエーションを含む20のデータセットから、約660万個のラベルのない軸スライスで自己蒸留基礎モデルであるBrainDINOを訓練した。 軽量なタスクヘッドを備えた凍結エンコーダを使用することで、BrainDINOは腫瘍のセグメンテーション、神経変性および神経発達条件の分類、脳年齢推定、脳卒中後時間予測、分子状態予測、MRIシークエンス分類、生存モデリングをサポートした。 タスクや監督体制全体にわたって、BrainDINOは、ラベルの不足下で特に強力なアドバンテージを持つ、自然画像とMRI固有の自監督ベースラインを一貫して同等あるいは超えた。 表象分析では, 課題特異的監督が欠如している場合に, 解剖学的に組織化され, 病理学的に感受性のある特徴構造が認められた。 以上の結果から,大規模スライスによる自己教師型学習は,容積事前学習や全ネットワーク微調整を必要とせず,多種多様なニューロイメージングタスクをサポートする脳MRIの統一的表現を達成でき,堅牢でデータ効率のよい脳画像解析のためのスケーラブルな基盤を確立することができることが示唆された。

関連論文リスト

• Voxel-Level Brain States Prediction Using Swin Transformer [65.9194533414066]
  本稿では, 4D Shifted Window (Swin) Transformer をエンコーダとして用い, 時間的情報を効率よく学習し, 畳み込みデコーダを用いて入力fMRIデータと同じ空間的, 時間的解像度で脳状態の予測を可能にするアーキテクチャを提案する。 前回の23.04s fMRI時系列に基づいて7.2sの安静時脳活動を予測すると,高い精度が得られた。 これは、人間の脳の時間的構造が高解像度でSwin Transformerモデルによって学習できることを示す有望な証拠である。
  論文  参考訳（メタデータ） (2025-06-13T04:14:38Z)
• 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)
• 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)
• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• 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)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• 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)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• BrainFormer: A Hybrid CNN-Transformer Model for Brain fMRI Data Classification [31.83866719445596]
  BrainFormerは、単一のfMRIボリュームを持つ脳疾患分類のための一般的なハイブリッドトランスフォーマーアーキテクチャである。 BrainFormerは、各voxel内のローカルキューを3D畳み込みでモデル化することによって構築される。 我々は、ABIDE、ADNI、MPILMBB、ADHD-200、ECHOを含む5つの独立して取得したデータセット上でBrainFormerを評価する。
  論文  参考訳（メタデータ） (2022-08-05T07:54:10Z)

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。