論文の概要: RegionFM: Interpretable Region-Based Brain MRI Classification Using Foundation Model Embeddings

• arxiv url: http://arxiv.org/abs/2607.16325v1
• Date: Wed, 15 Jul 2026 12:45:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.112543
• Title: RegionFM: Interpretable Region-Based Brain MRI Classification Using Foundation Model Embeddings
• Title（参考訳）: RegionFM: Foundation Model Embeddingsを用いた解釈可能な領域ベース脳MRI分類
• Abstract要約: RegionFMは、解剖学的セグメンテーションと脳MRI基礎モデル埋め込みを統合する解釈可能なフレームワークである。 我々は、複数の事前訓練された脳MRI基礎モデルからの埋め込みを用いた認知障害分類におけるRereaFMの評価を行った。
• 参考スコア（独自算出の注目度）: 3.7702557803262735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models provide powerful representations for brain MRI analysis, but their predictions remain difficult to interpret in anatomically meaningful terms. Clinical assessment of brain MRI is commonly organized around anatomically defined structures and regional abnormalities, whereas conventional explanation methods typically produce voxel- or patch-level importance maps that do not explicitly quantify the contributions of individual brain regions. To address this mismatch, we propose RegionFM, an interpretable framework that integrates anatomical segmentation with brain MRI foundation-model embeddings. RegionFM first divides each MRI scan into anatomical regions and constructs a separate MRI volume for each region. A frozen foundation model then encodes each region into an embedding, and a region-additive logistic model combines these embeddings such that every anatomical region contributes an explicit scalar term to the final prediction. This formulation supports both subject-level and cohort-level analyses of regional contributions. We evaluate RegionFM on cognitive-impairment classification using embeddings from multiple pretrained brain MRI foundation models. The results show that RegionFM maintains performance comparable to less interpretable fine-tuning approaches while providing anatomically grounded explanations. Randomized embedding ablations yield near-chance performance, indicating that the predictions rely on meaningful structure captured by the foundation-model embeddings rather than simple feature statistics. Overall, RegionFM better aligns model explanations with anatomy-based clinical reasoning while maintaining competitive predictive performance.
• Abstract（参考訳）: 基礎モデルは脳MRI解析のための強力な表現を提供するが、その予測は解剖学的に意味のある言葉で解釈することは困難である。 脳MRIの臨床的評価は、解剖学的に定義された構造や局所的な異常を中心に組織されているのに対し、従来の説明法では、個々の脳領域の貢献を明示的に定量化しないボクセルやパッチレベルの重要マップが作られるのが一般的である。 このミスマッチに対処するために、脳MRI基礎モデル埋め込みと解剖学的セグメンテーションを統合する解釈可能なフレームワークであるRereaFMを提案する。 RegionFMはまず、各MRIスキャンを解剖学的領域に分割し、各領域ごとに別々のMRIボリュームを構築する。 凍結基盤モデルは各領域を埋め込みにエンコードし、各解剖学的領域が最終的な予測に明示的なスカラー項を寄与するように、領域付加ロジスティックモデルはこれらの埋め込みを組み合わせる。 この定式化は、地域貢献の主観レベルとコホートレベルの両方の分析をサポートする。 我々は、複数の事前訓練された脳MRI基礎モデルからの埋め込みを用いた認知障害分類におけるRereaFMの評価を行った。 結果は、RereaFMは、解剖学的根拠のある説明を提供しながら、解釈の少ない微調整アプローチに匹敵する性能を維持していることを示している。 ランダムな埋め込みは、単純な特徴統計ではなく基礎モデル埋め込みによって得られた意味ある構造に依存していることを示す。 全体として、RereaFMは、競争力のある予測性能を維持しながら、モデル説明と解剖学的に基づく臨床推論との整合性を改善する。

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)
• Region-Aware Reconstruction Strategy for Pre-training fMRI Foundation Model [0.7771985426812056]
  我々は,自己指導型事前訓練中に,意味的コヒーレントな脳領域を選択的にマスキングするためのROI誘導マスキング戦略を導入する。 本手法はADHDと診断された個人から健康的なコントロールを識別するための分類精度が4.23%向上したことを示す。 以上の結果から, モデル前訓練における解剖学的領域のマスキングは, 解釈可能性を高めるだけでなく, より堅牢で差別的な表現をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2025-11-01T08:12:00Z)
• GRASPing Anatomy to Improve Pathology Segmentation [67.98147643529309]
  本稿では,病的セグメンテーションモデルを強化するモジュール型プラグイン・アンド・プレイフレームワークGRASPを紹介する。 2つのPET/CTデータセット上でGRASPを評価し、系統的アブレーション研究を行い、フレームワークの内部動作について検討する。
  論文  参考訳（メタデータ） (2025-08-05T12:26:36Z)
• CheXLearner: Text-Guided Fine-Grained Representation Learning for Progression Detection [14.414457048968439]
  我々は、解剖学的領域の検出、構造的アライメント、意味的ガイダンスを統合する最初のエンドツーエンドフレームワークであるCheXLearnerを紹介する。 提案したMed-Manifold Alignment Module (Med-MAM) は双曲幾何学を利用して解剖学的構造を強固に整列させる。 本モデルでは,下流疾患分類における平均AUCスコアが91.52%に達し,その優れた特徴表現が検証された。
  論文  参考訳（メタデータ） (2025-05-11T08:51:38Z)
• 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)
• SegmentAnyBone: A Universal Model that Segments Any Bone at Any Location on MRI [13.912230325828943]
  本稿では,MRIにおける骨分割のための汎用的,一般公開的なディープラーニングモデルを提案する。 提案モデルでは,完全自動セグメンテーションとプロンプトベースセグメンテーションの2つのモードで動作可能である。 1) さまざまなMRIプロトコルにまたがる新しいMRIデータセットの収集,注釈付けを行い,300以上の注釈付きボリュームと8485個の注釈付きスライスを含む。
  論文  参考訳（メタデータ） (2024-01-23T18:59:25Z)
• BDEC:Brain Deep Embedded Clustering model [10.560936895047321]
  ディープラーニングのロバストなデータ適合能力を生かした,BDECと呼ばれる仮定フリーモデルを開発した。 9つの一般的な脳のパーセレーション法と比較することにより,BDECモデルは非常に優れた性能を示す。 これらの結果は,BDECのパーセレーションが脳の機能的特徴を捉え,将来的なボクセル脳ネットワーク解析の可能性を示唆している。
  論文  参考訳（メタデータ） (2023-09-12T02:42:11Z)
• Region-based Contrastive Pretraining for Medical Image Retrieval with Anatomic Query [56.54255735943497]
  医用画像検索のための地域別コントラスト事前トレーニング(RegionMIR) 医用画像検索のための領域ベースコントラスト事前トレーニング(RegionMIR)について紹介する。
  論文  参考訳（メタデータ） (2023-05-09T16:46:33Z)
• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。 我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。 我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• White Matter Tracts are Point Clouds: Neuropsychological Score Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
  ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。 各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。 Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
  論文  参考訳（メタデータ） (2022-07-06T02:03:28Z)
• Expectation-Maximization Regularized Deep Learning for Weakly Supervised Tumor Segmentation for Glioblastoma [8.24450401153384]
  本研究では,弱監督腫瘍分割のためのEM正規化ディープラーニング(EMReDL)モデルを提案する。 この枠組みは周囲の脳組織への拡散浸潤を特徴とする悪性腫瘍の一種であるグリオ芽腫に特化していた。
  論文  参考訳（メタデータ） (2021-01-21T18:14:43Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)

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。