論文の概要: BrainNext: A General-Purpose Self-Supervised Foundation Model for Brain MRI Analysis

• arxiv url: http://arxiv.org/abs/2607.17782v1
• Date: Mon, 20 Jul 2026 10:15:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.588305
• Title: BrainNext: A General-Purpose Self-Supervised Foundation Model for Brain MRI Analysis
• Title（参考訳）: BrainNext: 脳MRI解析のための汎用セルフスーパービジョン基礎モデル
• Abstract要約: 脳MRI解析のための汎用自己監督基盤モデルであるBrainNextを提案する。 BrainNextは、複数のMRIモダリティにまたがる60,551個のラベルのない脳MRI検査から、豊富な解剖学的表現を学習する。 BrainNext on the Foundation Models for Medical Imaging (FOMO) 2025 Method Track, includesing classification, segmentation, and brain-age Estimation。
• 参考スコア（独自算出の注目度）: 5.596045804901233
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Foundation models pretrained using self-supervised learning have transformed computer vision by learning transferable representations from large-scale unlabeled data. However, existing foundation models for neuroimaging remain limited by task-specific training, slice-based learning strategies, or relatively small pretraining datasets, restricting their generalizability across diverse brain MRI applications. In this work, we present BrainNext, a general-purpose self-supervised foundation model for volumetric brain MRI analysis. BrainNext combines masked autoencoder (MAE) pretraining with a native three-dimensional Bi-Directional xLSTM-UNet architecture to learn rich anatomical representations from 60,551 unlabeled brain MRI examinations spanning multiple MRI modalities. The pretrained model is subsequently adapted to downstream tasks through lightweight task-specific fine-tuning. We evaluate BrainNext on the Foundation Models for Medical Imaging (FOMO) 2025 Method Track, encompassing classification, segmentation, and brain-age estimation, where it achieved second place overall and ranked first in the meningioma segmentation task on the official FOMO 2025 challenge leaderboard, demonstrating strong transferability across heterogeneous neuroimaging tasks. These results highlight the potential of large-scale self-supervised pretraining to learn robust and transferable volumetric representations, establishing BrainNext as a scalable foundation model for diverse brain MRI applications.
• Abstract（参考訳）: 自己教師付き学習を用いて事前訓練された基礎モデルは、大規模なラベルなしデータから転送可能な表現を学習することでコンピュータビジョンを変容させた。 しかし、ニューロイメージングのための既存の基礎モデルは、タスク固有のトレーニング、スライスベースの学習戦略、あるいは比較的小さな事前訓練データセットによって制限され、多様な脳MRIアプリケーションにまたがる一般化性を制限する。 本稿では,脳MRI解析のための汎用的自己監督基盤モデルであるBrainNextについて述べる。 BrainNextは、マスク付きオートエンコーダ(MAE)とネイティブ3次元のBi-Directional xLSTM-UNetアーキテクチャを組み合わせることで、複数のMRIモダリティにまたがる60,551個の未ラベル脳MRI検査から、リッチな解剖学的表現を学習する。 事前訓練されたモデルは、その後、軽量なタスク固有の微調整によって下流タスクに適応する。 BrainNext on the Foundation Models for Medical Imaging (FOMO) 2025 Method Track, includinging classification, segmentation, and brain-age Estimation, where it achieved the second place and rank in the meningioma segmentation task on the official FOMO 2025 Challenge Leaderboard, showed strong transferability across heterogeneous neuroimaging tasks。 これらの結果は、堅牢で伝達可能な容積表現を学習するための大規模自己教師型事前訓練の可能性を強調し、多様な脳MRIアプリケーションのためのスケーラブルな基礎モデルとしてBrainNextを確立した。

関連論文リスト

• BrainWorld: A Structural-Prior-Conditioned Generative Model for Whole-Brain 4D fMRI Dynamics [6.189635778169108]
  本稿では,脳の4次元fMRIダイナミクスのための構造的前提条件付き生成モデルBrainWorldを紹介する。 BrainWorldは、将来のfMRI生成を導くために、主観レベルの解剖学的コンテキストとしてsMRIを使用している。 安定な4D fMRIトラジェクトリを最大400フレームに生成し、生成サンプル拡張による下流性能を改善し、ベースラインよりも優れた転送可能なマルチモーダル表現を学習する。
  論文  参考訳（メタデータ） (2026-06-16T10:03:47Z)
• BrainDINO: A Brain MRI Foundation Model for Generalizable Clinical Representation Learning [14.5428181453685]
  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。
  論文  参考訳（メタデータ） (2026-04-30T00:21:36Z)
• Towards Generalisable Foundation Models for 3D Brain MRI [5.527537739064968]
  我々は、DINO-v2を拡張することで構築された脳MRIのための自己教師型基礎モデルBrainFoundを紹介する。 BrainFoundはDINO-v2を、シーケンシャルMRIスライスからの情報を取り込むことで、完全な3D脳解剖学をモデル化する。 シングルモーダル入力とマルチモーダル入力の両方をサポートし、疾患検出やイメージセグメンテーションなど、幅広い下流タスクを可能にする。
  論文  参考訳（メタデータ） (2025-10-27T15:19:46Z)
• Building a General SimCLR Self-Supervised Foundation Model Across Neurological Diseases to Advance 3D Brain MRI Diagnoses [2.4836875944302634]
  3次元脳構造MRIのための汎用高分解能SimCLRベースSSL基盤モデルを提案する。 アルツハイマー病の予測にはラベル付きトレーニングサンプルの20%しか使用していない。
  論文  参考訳（メタデータ） (2025-09-12T18:05:08Z)
• 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)
• 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)
• 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)
• 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)

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。