論文の概要: Contrastive Joint-Embedding Prediction for Representation Learning in Structural MRI
- arxiv url: http://arxiv.org/abs/2607.11962v1
- Date: Sun, 12 Jul 2026 10:48:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:29.897287
- Title: Contrastive Joint-Embedding Prediction for Representation Learning in Structural MRI
- Title（参考訳）: 構造MRIにおける表現学習のためのコントラスト共同埋め込み予測
- Abstract要約: ボリューム脳MRIのための自己教師型フレームワークであるCOJEPAを提案する。
共同埋め込み予測アーキテクチャ(JEPA)とコントラスト損失(CO)を組み合わせることで、局所的な予測性とグローバルな差別性という2つの相補的な特性をターゲットにしている。
- 参考スコア（独自算出の注目度）: 3.652509571098291
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Self-supervised learning offers a compelling approach for medical imaging, where labeled data are scarce and acquisition costs are high. We present COJEPA, a self-supervised framework for volumetric brain MRI that combines a joint-embedding predictive architecture (JEPA) with a contrastive loss (CO), targeting two complementary properties: local predictivity and global discriminability. The model is trained without labels on T1-weighted structural MRI from two cohorts (HCP-YA and AABC, $N{=}2286$, ages 22 to 90), extending I-JEPA to 3D with foreground-aware block masking, a hierarchical convolutional patch embedding, and world-space sinusoidal positional encodings. We evaluate all three objectives across zero-shot twin retrieval, brain tumor segmentation (BraTS 2024), and age regression (OpenBHB). COJEPA achieves the best monozygotic twin recall at rank@1 (0.84), the best finetuning age MAE (2.55 years on OpenBHB 3.0T), and matches CO on BraTS whole-tumor Dice, demonstrating that the combined objective yields representations that are simultaneously discriminative and locally structured.
- Abstract（参考訳）: 自己教師型学習は、ラベル付きデータが不足し、取得コストが高い医療画像に魅力的なアプローチを提供する。
我々は,脳MRIの自己教師型フレームワークであるCOJEPAについて,共同埋め込み型予測アーキテクチャ(JEPA)とコントラスト型損失(CO)を併用し,局所的予測性とグローバルな識別性という2つの相補的特性を目標とした。
このモデルは、2つのコホート(HCP-YA, AABC, $N{=}2286$, 22～90)からT1重み付き構造MRIにラベルを付けずにトレーニングされ、I-JEPAを前景を意識したブロックマスク、階層的畳み込みパッチ埋め込み、世界空間の正弦波位置エンコーディングで3Dに拡張する。
ゼロショット双発検索,脳腫瘍セグメンテーション(BraTS 2024),年齢回帰(OpenBHB)の3つの目的について検討した。
COJEPAは、ランク@1(0.84)で最高の単接合双対リコールを達成し、最高微調整年代MAE(OpenBHB 3.0Tで2.55年)は、BraTSの全腫瘍Dice上でCOと一致し、組み合わせた目的が同時に識別的かつ局所的に構造化された表現をもたらすことを示した。
関連論文リスト
- Beyond Representation Learning: A Systematic Study of Joint-Embedding Predictive Generation for 3D Brain MRI [3.5262965062634097]
Med-D-JEPAは3次元脳MRIにおける関節埋め込み予測生成の体系的適応と評価である。
Med-D-JEPAは、3D KL規則化された逆数式自動エンコーダによって生成される連続潜時トークンで動作し、マスク付きコンテキスト予測、表現レベルアライメント、トーケン拡散、反復的な次セット・オブ・トーケンサンプリングを組み合わせる。
Med-D-JEPAは、さまざまな世代設定において、忠実度と多様性の指標に関するいくつかの強いベースラインと比較して、優れた、あるいは競争的なパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-08-28T18:49:02Z) - STST-JEPA: Shallow-Target Spatio-Temporal Joint Embedding Prediction Architecture For EEG Self-Supervised Learning [0.0]
脳年齢は、時間的年齢からの逸脱が神経学的および精神医学的な負担を追跡できる新興バイオマーカーである。
5歳から81歳までの47,703回のセッションで事前学習した,安静状態とタスク脳波の自己教師型変換器STST-JEPAを紹介する。
論文 参考訳（メタデータ） (2026-07-07T12:19:54Z) - PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。
部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。
The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
論文 参考訳（メタデータ） (2026-04-05T21:14:27Z) - HMAR: Hierarchical Modality-Aware Expert and Dynamic Routing Medical Image Retrieval Architecture [0.0]
MIRはコンピュータ支援診断の重要な要素であるが、既存のシステムは3つの永続的な限界に悩まされている。
我々は,Mixture-of-Experts (MoE)アーキテクチャ上に構築された適応検索フレームワークであるHMARを提案する。
RadioImageNet-CTデータセットの実験によると、HMARは64ビットと128ビットのハッシュコードに対して平均平均精度0.711と0.724を達成し、最先端ACIR法をそれぞれ0.7%と1.1%改善した。
論文 参考訳（メタデータ） (2026-03-17T15:42:15Z) - A Systematic Benchmark of GAN Architectures for MRI-to-CT Synthesis [38.31064949197421]
MRIからCTへの変換にはGANアーキテクチャが提案されている。
我々は,3つの解剖学的領域にわたるSynthRAD2025データセットを用いて評価した10のGANのベンチマークを示す。
論文 参考訳（メタデータ） (2026-03-13T18:54:20Z) - DMD-augmented Unpaired Neural Schrödinger Bridge for Ultra-Low Field MRI Enhancement [45.02203416553436]
ペア64mT - 3 Tスキャンは少ないため、未ペア64mT$rightarrow$3T翻訳フレームワークを提案する。
提案手法は,多段改良によるUnpaired Neural Schrdinge Bridge (UNSB) 上に構築する。
論文 参考訳（メタデータ） (2026-03-04T06:26:52Z) - DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。
マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。
本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
論文 参考訳（メタデータ） (2025-10-16T07:31:21Z) - Hybrid Ensemble of Segmentation-Assisted Classification and GBDT for Skin Cancer Detection with Engineered Metadata and Synthetic Lesions from ISIC 2024 Non-Dermoscopic 3D-TBP Images [0.0]
本研究は,皮膚病変の分類のためのハイブリッドマシンと深層学習に基づくアプローチを提案する。
3D全体写真(TBP)から抽出した401,059個の画像からなり、非皮膚内視鏡的なスマートフォンのような状態をエミュレートする。
予測は、エンジニアリングされた特徴と患者固有の関係指標によって強化された、勾配ブースト決定木(GBDT)アンサンブルで融合される。
論文 参考訳（メタデータ） (2025-06-03T22:00:03Z) - HWA-UNETR: Hierarchical Window Aggregate UNETR for 3D Multimodal Gastric Lesion Segmentation [11.180283823428711]
HWA-UNETRは、学習可能なウィンドウアグリゲーション層を備えたオリジナルのHWAブロックを利用する、新しい3Dセグメンテーションフレームワークである。
我々のフレームワークは、しっかりとした堅牢性を維持しながら、Diceスコアの1.68%まで既存の手法を上回ります。
論文 参考訳（メタデータ） (2025-05-15T16:18:00Z) - AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳（メタデータ） (2024-07-02T16:44:00Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z)
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。