論文の概要: A continually expandable foundation model for brain MRI

• arxiv url: http://arxiv.org/abs/2608.08319v1
• Date: Sat, 08 Aug 2026 20:06:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.766882
• Title: A continually expandable foundation model for brain MRI
• Title（参考訳）: 脳MRIのための連続的に拡張可能な基礎モデル
• Authors: Michail Mamalakis, Carmen Jimenez-Mesa, Yonghao Li, Hao Chen, Chao Li, Antonios Mamalakis, John Suckling, Richard Bethlehem, Stephen J. Price, Richard J. Gilbertson, Pietro Lio,
• Abstract要約: Alcmaeonは、425,000巻以上の手動ラベルなしで事前訓練された3次元脳MRI基礎モデルである。 臨床領域で順次拡張することができる。
• 参考スコア（独自算出の注目度）: 15.003502301993228
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain magnetic resonance imaging (MRI) is central to neuroscience and clinical assessment, but models are commonly developed for individual diseases, populations or imaging protocols. Foundation models promise more general representations, yet they are usually pretrained once and can lose earlier capabilities when updated with new data. Here we show that Alcmaeon, a three-dimensional brain MRI foundation model pretrained without manual labels on more than 425,000 volumes and derived imaging maps, can be expanded sequentially across clinical domains. Alcmaeon combines volumetric encoding and latent diffusion generation with Graph-Blueprint Pruning (GBP), which protects network modules important to earlier domains while leaving the remaining capacity trainable. Across expansion from healthy ageing and neurodegeneration to developmental, psychiatric and tumour imaging, GBP showed less forgetting than sequential adaptation and elastic weight consolidation across voxel-level reconstruction measures, with its largest advantage after adaptation to tumour imaging. The blueprints provided an inspectable record of how model capacity was protected and reused. Representations from different model levels supported image synthesis, disease classification, survival modelling and postoperative prediction, although no single representation was optimal for every task. These findings provide a route towards brain MRI foundation models that can grow with emerging data while retaining earlier capabilities.
• Abstract（参考訳）: 脳MRI(Brain Magnetic resonance Imaging)は神経科学と臨床評価の中心であるが、個々の疾患、集団、イメージングプロトコルのモデルが一般的に開発されている。 ファンデーションモデルは、より一般的な表現を約束するが、通常は1度事前訓練され、新しいデータで更新されると、以前の機能を失う可能性がある。 そこで本研究では,425,000巻以上の手動ラベルと画像の導出を伴わない3次元脳MRI基礎モデルであるAlcmaeonが臨床領域にわたって順次拡張可能であることを示す。 Alcmaeonは、ボリュームエンコーディングと遅延拡散生成とGraph-Blueprint Pruning (GBP)を組み合わせることで、既存のドメインにとって重要なネットワークモジュールを保護すると同時に、残りのキャパシティをトレーニング可能にする。 正常な加齢と神経変性から発達, 精神, 腫瘍画像まで, GBPは, ボクセルレベルの再建法における逐次適応や弾性重み付けよりも忘れられにくく, 腫瘍画像への適応後の最大の優位性を示した。 青写真はモデルキャパシティの保護と再利用方法の検査可能な記録を提供した。 異なるモデルレベルの表現は、画像合成、疾患分類、生存モデル、術後の予測をサポートするが、全てのタスクに最適な単一の表現は存在しない。 これらの発見は、より早期の能力を保ちながら、新興データで成長できる脳MRI基礎モデルへの道を提供する。

関連論文リスト

• CLIMB: Controllable Longitudinal Brain Image Generation using Mamba-based Latent Diffusion Model and Gaussian-aligned Autoencoder [4.922570253744897]
  状態空間に基づく潜時拡散モデルを用いたCLIMB, 制御可能な経時的脳画像生成を提案する。 我々は,1,390名の参加者から6,306名のMRIスキャンによるアルツハイマー病神経画像イニシアチブデータセットを用いて,提案したモデルを訓練し,評価した。 生成された画像と実際のMRIスキャンを比較することで、CLIMBは0.9433の構造的類似度指数を達成し、既存の手法よりも顕著に改善されている。
  論文  参考訳（メタデータ） (2026-04-17T01:34:41Z)
• 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)
• Deep generative priors for 3D brain analysis [9.407614414126142]
  本稿では,医療画像逆問題に対する拡散モデルの最初の汎用的応用について述べる。 我々のアプローチは、様々な脳MRIデータに基づいて、より柔軟な前方モデルと組み合わせたスコアベースの拡散を利用して、一般的な画像処理タスクをキャプチャする。
  論文  参考訳（メタデータ） (2025-10-16T20:20:50Z)
• 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)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Individualized multi-horizon MRI trajectory prediction for Alzheimer's Disease [0.0]
  我々は、新しいアーキテクチャをトレーニングして潜伏空間の分布を構築し、そこからサンプルを抽出し、将来的な解剖学的変化の予測を生成する。 いくつかの代替手法と比較することにより,より高解像度でより個別化された画像を生成することを示す。
  論文  参考訳（メタデータ） (2024-08-04T13:09:06Z)
• 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)
• Deep Learning for Reaction-Diffusion Glioma Growth Modelling: Towards a Fully Personalised Model? [0.2609639566830968]
  グリオーマの成長を捉えるために、反応拡散モデルが何十年も提案されてきた。 ディープ畳み込みニューラルネットワーク(DCNN)は、現場でよく見られる落とし穴に対処することができる。 このアプローチは,腫瘍予後および治療計画に対する反応拡散成長モデルの臨床応用の視点を開放する可能性がある。
  論文  参考訳（メタデータ） (2021-11-26T10:16:57Z)

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。