論文の概要: BrainFIBRE: A Foundation Model via Information Decomposition for Brain Microstructure
- arxiv url: http://arxiv.org/abs/2607.00573v1
- Date: Wed, 01 Jul 2026 07:59:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.791897
- Title: BrainFIBRE: A Foundation Model via Information Decomposition for Brain Microstructure
- Title（参考訳）: BrainFIBRE:脳組織の情報分解による基礎モデル
- Abstract要約: 55,592人の英国バイオバンク参加者からNODDI由来の地図を事前学習した最初の脳ミクロ構造の基盤モデルであるBrainFIBREについて紹介する。
コーカサスとアジアのコホートでは、BrainFIBREは様々なタスクで最先端のパフォーマンスを達成する。
BrainFIBREは、微細構造レベルでの神経画像解析のための多目的基盤を確立する。
- 参考スコア（独自算出の注目度）: 10.095729533736387
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Diffusion MRI probes brain microstructure with particular sensitivity to early cerebrovascular and neurodegenerative changes. Neurite Orientation Dispersion and Density Imaging (NODDI) decomposes the diffusion signal into three biophysically interpretable maps: neurite density index (NDI), orientation dispersion index (ODI), and free water fraction (FWF), capturing neurite packing, fiber coherence, and extracellular fluid. These 3D maps offer a rich substrate for transferable microstructural representations, yet integrating them is challenging: standard representation learning struggles to disentangle the unique information in each map from their shared and synergistic interactions. We present BrainFIBRE, the first foundation model for brain microstructure, pretrained on NODDI-derived maps from 55,592 UK Biobank participants. We propose Self-supervised Partial Information Decomposition (SPID), which extends PID-guided multimodal learning to the self-supervised regime for the first time. A novel Counterfactual Candidate Construction (CCC) paradigm perturbs inter-modality alignment through modality dropping and swapping, providing the contrastive signal for a Mixture-of-Experts architecture to disentangle unique, synergistic, and redundant information without any downstream label. On both Caucasian and Asian cohorts, BrainFIBRE achieves state-of-the-art performance across diverse tasks predicting age, sex, cerebrovascular and neurodegenerative markers, and cognition, while yielding neurobiologically interpretable representations that reveal task- and cohort-specific interaction patterns. BrainFIBRE establishes a versatile foundation for neuroimaging analysis at the microstructural level.
- Abstract（参考訳）: 拡散MRIは脳の微細構造を脳血管および神経変性の早期変化に特異的に敏感に調査する。
神経突起密度指数(NDI)、配向分散指数(ODI)、自由水分画(FWF)、神経突起充填、繊維コヒーレンス、細胞外液の3つの生物学的解釈可能なマップに拡散信号を分解する。
これらの3Dマップは、伝達可能なミクロ構造表現のためのリッチな基質を提供するが、それらを統合することは難しい。
55,592人の英国バイオバンク参加者からNODDI由来の地図を事前学習した最初の脳ミクロ構造の基盤モデルであるBrainFIBREについて紹介する。
PID誘導型マルチモーダル学習を自己教師型体制に初めて拡張する自己教師型部分情報分解(SPID)を提案する。
新たなCCCパラダイムは、モダリティのドロップとスワップを通じてモダリティ間のアライメントを乱し、Mixture-of-Expertsアーキテクチャのコントラスト信号を提供して、ダウンストリームラベルなしでユニークでシナジスティックで冗長な情報を切り離す。
コーカサスとアジアのコホートでは、BrainFIBREは年齢、性別、脳血管および神経変性マーカー、認知を予測し、タスクとコホート固有の相互作用パターンを示す神経生物学的に解釈可能な表現を生成する。
BrainFIBREは、微細構造レベルでの神経画像解析のための多目的基盤を確立する。
関連論文リスト
- AnaDiffusion: Anatomically CompositionalLatent Diffusion for Controllable 3D Brain MRI Generation [58.56402940400457]
3次元脳MRIは、医用画像、シミュレーション、および制御可能な解剖学的解析において大きな進歩を遂げた。
本稿では,AnaDiffusionを紹介した。AnaDiffusionは解剖学的に有意な領域に生成過程を分解する,解剖学的に構成された潜在拡散フレームワークである。
AnaDiffusionは明示的な部分資産とグローバルなコヒーレントボリュームの両方を生成し、制御可能な部分編集を可能にする。
論文 参考訳（メタデータ） (2026-08-24T09:16:42Z) - A physics-informed foundation model for quantitative diffusion MRI [46.74037857287099]
物理インフォームド・ジェネレーティブ・マイクロ構造ネットワーク(PIGMENT)は、人間の脳の微細構造に先立って普遍的な生成を学習し、被験者の計測データにゼロショットで適応し、被験者固有のマップを復元する。
PIGMENT は,10倍加速スキャンによる小脳皮質微細構造パターンと幼少期の白質発達軌跡を保存し,強い生物学的妥当性を示した。
これらの結果は、PIGMENTを物理インフォームド基礎モデルとして確立し、定量的拡散MRIを、伝統的に不安定で不均一、あるいは信頼性のある分析に制約された状態に拡張する。
論文 参考訳（メタデータ） (2026-05-29T07:26:35Z) - Multimodal Graph Neural Networks for Prognostic Modeling of Brain Network Reorganization [0.0]
脳ネットワークの動的再構成を理解することは、臨床結果における認知低下、神経学的進歩、個人的変動を予測するために重要である。
本研究では、構造拡散テンソルイメージングとMRIを統合して脳ネットワーク再構成をモデル化するマルチモーダルグラフニューラルネットワークニューロイメージングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-06T05:11:49Z) - Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。
MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
論文 参考訳（メタデータ） (2025-10-25T15:40:07Z) - CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。
このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。
第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。
第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-06-10T17:20:39Z) - ConnectomeDiffuser: Generative AI Enables Brain Network Construction from Diffusion Tensor Imaging [36.89452147894995]
脳ネットワーク解析はアルツハイマー病(AD)などの神経変性疾患の診断とモニタリングに重要な役割を果たしている
拡散テンソルイメージング(DTI)から構造脳ネットワークを構築するための既存のアプローチは、しばしば固有の制限に悩まされる特別なツールキットに依存している。
本研究は,DTIによるエンド・ツー・エンド脳ネットワーク構築のための新しい拡散型フレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-23T15:03:58Z) - 4D Multimodal Co-attention Fusion Network with Latent Contrastive Alignment for Alzheimer's Diagnosis [24.771496672135395]
M2M-AlignNet: 早期アルツハイマー病診断のための遅延アライメントを有する幾何認識型コアテンションネットワークを提案する。
提案手法のコアとなるマルチパッチ・マルチパッチ(M2M)コントラスト損失関数は,表現の相違を定量化し,低減する。
提案手法の有効性を確認し,ADバイオマーカーとしてfMRIとsMRIの対応性を強調した。
論文 参考訳（メタデータ） (2025-04-23T15:18:55Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳（メタデータ） (2024-04-11T15:46:42Z) - 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) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-06T03:45:36Z)
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。