論文の概要: GenFAR: A generalized representation of brain structure, derived from 49,246 multi-cohort MRIs via deep learning
- arxiv url: http://arxiv.org/abs/2608.12185v1
- Date: Wed, 12 Aug 2026 15:40:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.62866
- Title: GenFAR: A generalized representation of brain structure, derived from 49,246 multi-cohort MRIs via deep learning
- Title（参考訳）: GenFAR:ディープラーニングによる49,246個のマルチコホートMRIから得られた脳構造の一般化表現
- Abstract要約: 我々は,脳MRIから一般的な,臨床的に認知された特徴を学習するモジュール型ディープラーニングフレームワークであるGenFARを紹介する。
11のコホートにわたる49,246人の個人を対象に、このモジュラーアーキテクチャをトレーニングしました。
我々は、以前学習した表現に基づいてタスクを段階的に構築するシーケンシャルな学習手法を開発した。
- 参考スコア（独自算出の注目度）: 21.26594531014801
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning models for neuroimaging have largely been developed for individual tasks, limiting knowledge transfer across applications. Here we introduce GenFAR, a modular deep learning framework that learns general, clinically informed features from brain MRIs. We trained this modular architecture on 49,246 individuals across 11 cohorts, using 17 diverse classification and regression tasks spanning cognition, clinical, diagnosis, demographics, and biomarkers. This yields aggregated, focused feature sets that capture rich, clinically- and biologically-relevant brain representations. We developed a sequential learning approach where tasks progressively build on previously learned representations. Through an analysis of 5,000 task sequences, we identified an optimal sequence length of six tasks and introduced a Donor Score metric to quantify each task's contribution to downstream performance. This analysis revealed five consistently strong donor tasks (Age, AD/MCI, MMSE, Hypertension, Hyperlipidemia) that formed the base of our sequential model. We demonstrated the utility of our learned representation, in various tasks beyond those included in the training set, to serve as the foundation for specialized secondary predictors. We further showed that using the learned feature representation can substantially increase the sample efficiency of secondary deep learning training tasks and models, as well as improve their accuracy.
- Abstract（参考訳）: ニューロイメージングのためのディープラーニングモデルは、主に個々のタスクのために開発され、アプリケーション間の知識伝達を制限する。
本稿では,脳MRIから一般の臨床的特徴を学習するモジュール型ディープラーニングフレームワークであるGenFARを紹介する。
11のコホートにまたがる49,246人の個人を対象に,認知,臨床,診断,人口統計,バイオマーカーにまたがる17の多様な分類・回帰タスクを用いて,このモジュラーアーキテクチャを訓練した。
これは、リッチで臨床的、生物学的に関連のある脳の表現を捉えた集合的で焦点を絞った特徴セットをもたらす。
我々は、以前学習した表現に基づいてタスクを段階的に構築するシーケンシャルな学習手法を開発した。
5000のタスクシーケンスを解析することにより、6つのタスクの最適なシーケンス長を特定し、各タスクが下流のパフォーマンスに与える影響を定量化するためのDonor Scoreメトリックを導入した。
Age, AD/MCI, MMSE, Hypertension, Hyperlipidemiaの5つの強力なドナータスクが, 連続モデルの基礎となった。
我々は,学習した表現の有用性を,訓練セットに含まれるもの以外の様々なタスクで実証し,特殊二次予測器の基盤として役立てた。
さらに、学習した特徴表現を使用することで、二次的な深層学習訓練タスクやモデルのサンプル効率を大幅に向上し、精度を向上できることを示した。
関連論文リスト
- SeekBrain: An Autonomous Multi-Agent System for Accelerating Neuroscience Discovery [70.26731349963639]
SeekBrainは、ドメイン基底の階層的計画とクロスモーダルデータ分析を通じて神経科学の発見を加速するように設計されたフレームワークである。
この体系化された専門知識とエージェント計画と実行エンジンを結合することにより、このフレームワークは需要に応じて仮説と分析パイプラインを確実に生成する。
これらの結果は、SeekBrainを、神経科学におけるデータ駆動的な発見を加速するためのスケーラブルで実用的なツールとして確立している。
論文 参考訳（メタデータ） (2026-07-31T12:30:12Z) - 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 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) - Generalizable Representation Learning for fMRI-based Neurological Disorder Identification [0.0]
正常な特徴から臨床的特徴への一般化を改善するために,新しい表現学習戦略を導入する。
我々は、制御データセットの自己教師付き学習を活用して、特定の教師付きタスクに限定されない固有の特徴に焦点を当てる。
その結果,多種多様な臨床関連課題における表現学習戦略の優位性を示した。
論文 参考訳（メタデータ） (2024-12-16T22:07:35Z) - Multi-Task Adversarial Variational Autoencoder for Estimating Biological Brain Age with Multimodal Neuroimaging [8.610253537046692]
我々は、脳年齢予測を改善するために設計された独自のディープラーニングフレームワークであるMultitask Adversarial Variational Autoencoderを提案する。
このモデルは潜在変数を汎用的およびユニークなコードに分離し、共有およびモダリティ固有の特徴を分離する。
マルチタスク学習と性分類を付加的なタスクとして統合することにより、モデルが性固有の老化パターンをキャプチャする。
論文 参考訳（メタデータ） (2024-11-15T10:50:36Z) - LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。
我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。
LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
論文 参考訳（メタデータ） (2024-09-29T03:56:21Z) - 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) - 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) - Multi-task Collaborative Pre-training and Individual-adaptive-tokens
Fine-tuning: A Unified Framework for Brain Representation Learning [3.1453938549636185]
協調的事前学習と個別学習を組み合わせた統合フレームワークを提案する。
提案したMCIATはADHD-200データセット上で最先端の診断性能を実現する。
論文 参考訳（メタデータ） (2023-06-20T08:38:17Z) - Towards Medical Artificial General Intelligence via Knowledge-Enhanced
Multimodal Pretraining [121.89793208683625]
医療人工知能(MAGI)は、1つの基礎モデルで異なる医療課題を解くことができる。
我々は、Micical-knedge-enhanced mulTimOdal pretRaining (motoR)と呼ばれる新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2023-04-26T01:26:19Z)
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。