論文の概要: BrainNorm: A Foundation Model that knows Normal via Semantic Atlas Pretraining
- arxiv url: http://arxiv.org/abs/2608.17521v1
- Date: Tue, 18 Aug 2026 08:45:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.273184
- Title: BrainNorm: A Foundation Model that knows Normal via Semantic Atlas Pretraining
- Title（参考訳）: BrainNorm: セマンティックアトラス事前トレーニングを通じて正常を知っている基礎モデル
- Abstract要約: 我々は66,000T1重み付き構造MRI(T1w sMRI)スキャンをトレーニングし、テストした、規範的基礎モデルBrainNormを紹介した。
BrainNormはSemantic Atlas Latent Space (SAL)を学習し、各スキャンはアトラス-パーセル埋め込みのセットとして表現される。
SAL空間における偏差パターンは、パーセルワイド異常を用いた疾患予測のためのゼロショットタスクを可能にする。
- 参考スコア（独自算出の注目度）: 4.651750987298774
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce BrainNorm, a normative foundation model, trained and tested on ~66,000 T1-weighted structural MRI (T1w sMRI) scans. By leveraging language-image style contrastive pretraining on healthy cohorts across ages, BrainNorm learns a Semantic Atlas Latent space (SAL), where each scan is represented as a set of atlas-parcel embeddings. This yields parcel-specific healthy aging template trajectories that support age-consistent template matching and localized deviation scoring relative to a subject's chronological age. Across 6 downstream cohorts, BrainNorm demonstrates generalization evaluated across 25 task-setting combinations spanning age estimation, brain-age gap estimation, parcel identification, and single- & multi-disease classification tasks under direct inference, zero-shot, few-shot & full-data linear-probe settings. The resulting deviation patterns in SAL space enable zero-shot tasks for disease prediction using parcel-wise abnormalities. Fine-tuning on healthy-only cohorts of downstream datasets further improves the performance of various tasks. Across all classification tasks, linear probing on BrainNorm's frozen embeddings outperforms 9 baselines finetuned under end-to-end supervision. Furthermore, the localized deviations identified by BrainNorm across various neurodegenerative disorders closely align with established neurodegeneration pathology in clinical literature.
- Abstract（参考訳）: 約66,000 T1重み付き構造MRI(T1w sMRI)スキャンでトレーニングし,テストした標準基礎モデルであるBrainNormを紹介する。
BrainNormは、言語イメージスタイルの対照的な事前トレーニングを年齢毎に活用することにより、セマンティックアトラスラテント空間(SAL)を学び、各スキャンはアトラス-パーセル埋め込みのセットとして表現される。
これにより、パーセル特異的な健康な老化テンプレート軌跡が得られ、それは、被検体の時間的年齢に対して、年齢一貫性のあるテンプレートマッチングと局所的な偏差スコアをサポートする。
6つの下流コホートで、BrainNormは、年齢推定、脳年齢差推定、パーセル識別、および直接推論、ゼロショット、少数ショット、フルデータ線形プローブ設定の下での単一およびマルチディスリーズ分類タスクにまたがる25のタスクセットの組み合わせで評価された一般化を実証している。
SAL空間における偏差パターンは、パーセルワイド異常を用いた疾患予測のためのゼロショットタスクを可能にする。
下流データセットの健全なコホートを微調整することで、さまざまなタスクのパフォーマンスが向上する。
すべての分類タスクにおいて、BrainNormの凍結埋め込みに対する線形探索は、エンドツーエンドの監視下で微調整された9つのベースラインより優れている。
さらに、BrainNormによって同定された様々な神経変性疾患の局所的偏差は、臨床文献において確立された神経変性疾患と密接に一致している。
関連論文リスト
- GeoSAE: Geometric Prior-Guided Layer-Wise Sparse Autoencoder Annotation of Brain MRI Foundation Models [8.51943483922984]
GeoSAEは、軽度認知障害(MCI)からAD変換を予測するコンパクトで完全に解釈可能な特徴セットを特定する。
このことは、幾何学誘導SAEが凍結脳MRI基礎モデルから解釈可能なバイオマーカーを抽出できることを示している。
論文 参考訳（メタデータ） (2026-05-03T11:42:25Z) - Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
パーキンソン病は世界中で1千万人以上に影響している。
個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。
我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
論文 参考訳（メタデータ） (2026-03-31T02:36:10Z) - Semi-disentangled spatiotemporal implicit neural representations of longitudinal neuroimaging data for trajectory classification [4.985839561141954]
Inlicit Neural Representation (INRs) を用いて、被験者特異的長手T1強調MRIデータを連続関数としてモデル化し、脳全体の老化軌跡を表現するための、新しい完全なデータ駆動方式を提案する。
従来のディープラーニングベースラインモデル(73.7%)を上回り,脳老化軌跡分類タスクの81.3%の精度を実現した。
論文 参考訳（メタデータ） (2025-10-11T00:27:43Z) - Conditional Fetal Brain Atlas Learning for Automatic Tissue Segmentation [0.8326370619658685]
本研究では, 連続的, 年齢別胎児脳アトラスを生成するための新しい深層学習フレームワークを提案する。
このフレームワークは、直接登録モデルと条件判別器を組み合わせる。
妊娠21週から37週にわたる219個の神経型胎児MRIの訓練データセットを用いて訓練を行った。
論文 参考訳（メタデータ） (2025-08-06T15:07:39Z) - 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) - Naturalistic Language-related Movie-Watching fMRI Task for Detecting Neurocognitive Decline and Disorder [60.84344168388442]
言語関連機能的磁気共鳴画像(fMRI)は,認知機能低下と早期NCDの検出に有望なアプローチである。
香港在住の高齢者97名を対象に,この課題の有効性について検討した。
本研究は、加齢に伴う認知低下とNCDの早期発見のための自然言語関連fMRIタスクの可能性を示した。
論文 参考訳（メタデータ） (2025-06-10T16:58:47Z) - 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) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - Self-Supervised Longitudinal Neighbourhood Embedding [13.633165258766418]
縦横埋め込みという表現学習のための自己指導型戦略を提案する。
コントラスト学習の概念に動機づけられたLNEは、異なる対象の軌道ベクトル間の類似性を明示的にモデル化する。
2つのニューロイメージング研究の縦方向T1w MRIにLNEを適用します:274の健康な被験者からなるデータセットと、アルツハイマー病ニューロイメージングイニシアティブ。
論文 参考訳（メタデータ） (2021-03-05T17:55:53Z) - ICAM-reg: Interpretable Classification and Regression with Feature
Attribution for Mapping Neurological Phenotypes in Individual Scans [3.589107822343127]
本研究では,生成的深層学習における最近の進歩を活かし,同時分類法,回帰法,特徴帰属法を開発した。
Alzheimer's Disease Neuroimaging InitiativeコホートにおけるMini-Mental State examination (MMSE)認知テストスコア予測のタスクについて検証した。
本稿では,生成したfaマップを用いて異常予測を説明し,回帰加群を組み込むことで潜在空間の不連続性を改善することを示す。
論文 参考訳（メタデータ） (2021-03-03T17:55:14Z) - 1-D Convlutional Neural Networks for the Analysis of Pupil Size
Variations in Scotopic Conditions [79.71065005161566]
1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。
モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
論文 参考訳（メタデータ） (2020-02-06T17:25:37Z)
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。