論文の概要: Do 3D Medical Foundation Models See Through MRI Artifacts? A Controlled Study of Representation Robustness

• arxiv url: http://arxiv.org/abs/2608.06613v1
• Date: Thu, 06 Aug 2026 21:55:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.297968
• Title: Do 3D Medical Foundation Models See Through MRI Artifacts? A Controlled Study of Representation Robustness
• Title（参考訳）: 3DメディカルファウンデーションモデルはMRIアーチファクトを通して見るか? : 表現ロバスト性に関する制御された研究
• Abstract要約: 3D医療基礎モデルは汎用的特徴抽出器としてますます利用されているが、MRIアーチファクトに対する感受性はいまだによく分かっていない。 本稿では、異なるアーキテクチャ、目的、事前学習ドメイン、データセットスケールにまたがる5つの事前学習された3次元エンコーダにおける表現堅牢性の評価を行う。
• 参考スコア（独自算出の注目度）: 0.8602553195689513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised 3D medical foundation models are increasingly used as general-purpose feature extractors, yet their sensitivity to MRI artifacts remains poorly understood. We present a controlled evaluation of representation robustness across five pretrained 3D encoders spanning different architectures, objectives, pretraining domains, and dataset scales. Using BraTS-Africa cases with four MRI sequences, we generate seven frequency- and image-domain artifacts at five predefined corruption settings. Robustness is assessed using linear centered kernel alignment (CKA), RankMe, and UMAP, complemented by an independent segmentation-consistency analysis. We find that robustness is strongly model- and artifact-dependent. 3DINO exhibits the most consistently stable representations, while BrainIAC is highly sensitive to several corruptions; NeuroVFM, BrainFM, and Neuro-SimCLR show intermediate but distinct artifact-specific profiles. Across many conditions, CKA decreases substantially while RankMe remains comparatively stable, indicating that artifacts often distort representation geometry without causing dimensional collapse. Segmentation consistency also degrades under corruption, particularly for ghosting and Rician noise, but aligns only partially with representation-level robustness. These findings show that larger-scale or domain-specific pretraining alone does not guarantee artifact invariance and motivate explicit robustness evaluation before deploying 3D foundation models in heterogeneous MRI settings.
• Abstract（参考訳）: 自己監督型3D医療基礎モデルは汎用的特徴抽出器としてますます利用されているが、MRIアーチファクトに対する感受性はいまだによく分かっていない。 本稿では、異なるアーキテクチャ、目的、事前学習ドメイン、データセットスケールにまたがる5つの事前学習された3次元エンコーダにおける表現堅牢性の評価を行う。 4つのMRIシーケンスを持つBraTS-Africaのケースを使用して、事前に定義された5つの汚職設定で、7つの周波数および画像ドメインアーティファクトを生成する。 ロバストネスは線形中心カーネルアライメント(CKA)、RanMe、UMAPを用いて評価され、独立したセグメンテーション一貫性解析によって補完される。 堅牢性はモデルに依存し,アーティファクトに依存しています。 3DINOは最も安定した表現を示し、BrainIACはいくつかの汚職に非常に敏感である。 多くの条件において、CKAは著しく減少するが、RangeMeは比較的安定であり、アーティファクトが次元的な崩壊を引き起こすことなく表現幾何学を歪ませることがしばしばあることを示している。 セグメンテーションの一貫性は、特にゴーストやリキアンノイズの汚職の下でも低下するが、部分的には表現レベルの堅牢さと一致している。 以上の結果から, 大規模あるいはドメイン固有の事前訓練だけでは, 異種MRI設定に3次元基礎モデルを配置する前に, アーチファクトのばらつきを保証せず, 明確なロバスト性評価を動機付けることが示唆された。

関連論文リスト

• Big, Bright, or Invisible: A Frozen-Feature Benchmark of 3D CT Foundation Models [30.102620002840904]
  3次元CT基礎モデルは、解剖学と病理学の一般化可能な表現を提供することで、日常的な解釈を支援することができる。 胸部CTスキャンの3コホートに10個の凍結CTエンコーダをベンチマークした。 評価状況によってランクが著しく変動するので、普遍的な最先端技術は見つからない。
  論文  参考訳（メタデータ） (2026-08-06T12:34:17Z)
• Anatomically-conditioned Latent Diffusion Model for Data-Efficient Few-Shot Cross-Domain 3D Glioma MRI Synthesis [1.4312099612976772]
  解剖学的条件付き潜在拡散モデル(ALDM)は,データ効率,少数ショットMRI合成のための新しいフレームワークである。 ターゲット画像は16枚しかなく、極端に数発の撮影で評価された。
  論文  参考訳（メタデータ） (2026-06-24T04:42:42Z)
• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• Removing Motion Artifact in MRI by Using a Perceptual Loss Driven Deep Learning Framework [6.697790479726774]
  PERCEPT-Netは深層学習フレームワークである。 フレームワークの中核は第3回モーション・パーセプティカル・ロス(MPL)であり、これはアーティファクトを意識したパーセプティカル・コントロール戦略である。 PerCEPT-Netは臨床データで最先端の手法に優れていた。
  論文  参考訳（メタデータ） (2026-04-12T03:30:39Z)
• UniField: A Unified Field-Aware MRI Enhancement Framework [45.03230466428695]
  methodnameは、複数のモダリティと拡張タスクを統合する統合フレームワークである。 我々は、事前学習した3D基礎モデルを利用して、総合的な3Dボリューム情報を利用する。 我々は,総合的なマルチフィールドMRIデータセットを編成し,公開する。
  論文  参考訳（メタデータ） (2026-03-10T05:45:12Z)
• Exploiting Completeness Perception with Diffusion Transformer for Unified 3D MRI Synthesis [9.857855424798732]
  本稿では,3次元MRIの統一合成のための完全性知覚を備えた潜時拡散モデルCoPeDiTを提案する。 CoPeDiTは最先端の手法よりも優れ、優れた堅牢性、一般化可能性、柔軟性を実現している。
  論文  参考訳（メタデータ） (2026-02-20T18:05:39Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Unified 3D MRI Representations via Sequence-Invariant Contrastive Learning [0.15749416770494706]
  自己教師型深層学習は2次元の自然画像解析を加速させたが、3次元MRIへの変換は困難である。 定量的MRI(qMRI)を利用したemph-sequence-invariant self-supervised frameworkを提案する。 健常脳セグメンテーション(IXI)、脳梗塞セグメンテーション(ARC)、MRIによるデノイング実験は、ベースラインSSLアプローチよりも有意な増加を示した。
  論文  参考訳（メタデータ） (2025-01-21T11:27:54Z)
• Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
  MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。 ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
  論文  参考訳（メタデータ） (2024-12-10T15:25:18Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)

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。