論文の概要: How Much MRI Preprocessing Is Enough? A Cost-Utility Study for Brain MRI Foundation Models

• arxiv url: http://arxiv.org/abs/2606.08164v1
• Date: Sat, 06 Jun 2026 13:26:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.887886
• Title: How Much MRI Preprocessing Is Enough? A Cost-Utility Study for Brain MRI Foundation Models
• Title（参考訳）: MRI前処理はいくらか?脳MRI基礎モデルのためのコスト-ユーティリティスタディ
• Authors: Jiangshuan Pang, Wangyang Tang, Jing Yan, Zhixuan Cheng, Youzhe He, Zhenkun Zhuang, Tao Zhou, Shiping Liu,
• Abstract要約: MRI前処理は、脳MRI基礎モデルで見られる入力分布を定義する。 自己教師型3次元MRIの事前トレーニングにおいて,プリプロセッシングがどの程度の計算コストに価値があるのかを問う。
• 参考スコア（独自算出の注目度）: 5.31060938351446
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: MRI preprocessing defines the input distribution seen by brain MRI foundation models, yet it is usually treated as routine data cleaning rather than a modeling choice. We ask how much preprocessing is worth its computational cost for self-supervised 3D MRI pretraining. Keeping the corpus, 3D ViT backbone, masking protocol, and downstream evaluations fixed, we compare a graded P0-P7 preprocessing spectrum for masked autoencoding (MAE) and joint-embedding predictive learning (JEPA) on 20,000 heterogeneous brain MRI volumes, then transfer the encoders to IDH prediction, MCI classification, brain age regression, and GLI/PED tumor segmentation. The results do not support a simple "more is better" rule. P0/P1 are numerically unstable, making P2 the lowest-cost feasible level; beyond P2, choosing the best feasible preprocessing level improves aggregate utility by only 3.4 percentage points for MAE and 1.8 percentage points for JEPA, with most paired gains statistically unresolved. Stronger preprocessing is beneficial only in selected regimes: IDH improves modestly, AGE and GLI/PED are often near or best at P2, and MCI shows the clearest empirical P7 gain. Cross-level MCI transfer further shows that much of the P7 advantage can be recovered by applying stronger preprocessing downstream, without requiring P7 throughout pretraining. These findings recast MRI preprocessing as a downstream-aware cost-utility decision rather than a default escalation pipeline. Code is available at https://github.com/PangJiangShuan/PreBrain.
• Abstract（参考訳）: MRI前処理は、脳MRI基礎モデルで見られる入力分布を定義するが、通常、モデリングの選択ではなく、日常的なデータクリーニングとして扱われる。 自己教師型3次元MRIの事前トレーニングにおいて,プリプロセッシングがどの程度の計算コストに価値があるのかを問う。 コーパス, 3D ViTバックボーン, マスキングプロトコル, 下流評価を固定し, マスク付きオートエンコーディング(MAE)のためのP0-P7プリプロセッシングスペクトルと2万の異種脳MRIボリューム上の関節埋め込み予測学習(JEPA)を比較し, エンコーダをIDH予測, MCI分類, 脳年齢回帰, GLI/PED腫瘍セグメンテーションに転送した。 結果は単純な"もっとよい"ルールをサポートしない。 P0/P1 は数値的に不安定であり、P2 を最低コストで実現可能なレベルとし、P2 を超えて、最も有効な前処理レベルを選択すると、JEPA の MAE の 3.4 % と 1.8 % の JEPA の 1.8 % しか得られず、ほとんどの対のゲインは統計的に未解決である。 IDHは適度に改善し、AGEとGLI/PEDはP2に近づき、MCIは最も明確な経験的P7ゲインを示す。 クロスレベルMCI転送により、P7の優位性は、より強力な前処理を下流に施すことによって、事前訓練を通じてP7を必要とせず、回復できることが示される。 以上の結果からMRI前処理は,デフォルトのエスカレーションパイプラインではなく,ダウンストリーム対応のコストユーティリティ決定であると考えられた。 コードはhttps://github.com/PangJiangShuan/PreBrain.comで入手できる。

関連論文リスト

• D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
  欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。 提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
  論文  参考訳（メタデータ） (2026-05-21T09:55:42Z)
• Architecture-Agnostic Modality-Isolated Gated Fusion for Robust Multi-Modal Prostate MRI Segmentation [0.0]
  多重化前立腺MRIは、T2パラメトリック(T2W)、見かけ拡散係数(ADC)、高b値拡散強調(HBV)配列を組み合わせる。 実際には、拡散配列は、T2Wよりも、取得のばらつき、動き、アーティファクトの影響を受けることが多い。 我々は、学習ゲーティングステージの前に、個別のモダリティ固有の符号化ストリームを維持するために、Modality-Isolated Gated Fusion (MIGF)を提案する。
  論文  参考訳（メタデータ） (2026-04-12T15:54:21Z)
• Synthesizing Accurate and Realistic T1-weighted Contrast-Enhanced MR Images using Posterior-Mean Rectified Flow [3.024548464833694]
  造影強調(CE) T1強調MRIは神経腫瘍診断の中心であるが、ガドリニウムをベースとした薬剤が必要である。 非コントラスト入力からCE脳MRIを合成するための2段階後平均整流パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-08-18T05:55:57Z)
• 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)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Predicting Knee Osteoarthritis Progression from Structural MRI using Deep Learning [2.9822184411723645]
  先行技術は手動でデザインされたイメージングバイオマーカーに焦点を合わせており、MRIスキャンに存在するすべての疾患関連情報を十分に活用するものではないかもしれない。 対照的に,本手法では,Deep Learningを用いて生データのエンドツーエンドから関連する表現を学習する。 この方法は2D CNNを用いてデータをスライス的に処理し、抽出した特徴をTransformerを使って集約する。
  論文  参考訳（メタデータ） (2022-01-26T10:17:41Z)
• Handling Missing MRI Input Data in Deep Learning Segmentation of Brain Metastases: A Multi-Center Study [1.4463443378902883]
  深層学習に基づくDropOutと呼ばれる脳転移の自動セグメンテーションのためのセグメンテーションモデルが、マルチシーケンスMRIで訓練された。 セグメンテーションの結果は、最先端のDeepLabV3モデルの性能と比較された。 DropOutモデルはDeepLabV3モデルに比べてかなり高いスコアを示した。
  論文  参考訳（メタデータ） (2019-12-27T02:49:45Z)

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。