論文の概要: A generalizable structural brain MRI foundation model built through dual-priority federated pretraining

• arxiv url: http://arxiv.org/abs/2609.27611v1
• Date: Wed, 23 Sep 2026 09:29:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.968207
• Title: A generalizable structural brain MRI foundation model built through dual-priority federated pretraining
• Title（参考訳）: 二重優先型プレトレーニングにより構築した一般構造脳MRI基礎モデル
• Abstract要約: 我々は164,707個の3次元スキャンで事前訓練した構造的脳MRI基礎モデルBrainFedFMを提案する。 BrainFedFMは17の分類、回帰、セグメンテーションタスクで最先端のパフォーマンスを達成した。 これらの結果は、BrainFedFMの一般化可能性を示し、神経画像基礎モデルを開発するための実践的戦略としてフェデレートプレトレーニングを強調した。
• 参考スコア（独自算出の注目度）: 35.70870398750058
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models hold promise for generalizable analysis of structural brain magnetic resonance imaging (MRI) across development, aging and disease. However, existing models are typically built through centralized pretraining on pooled data, despite privacy and governance constraints. Such pooling optimization can overemphasize cohort size and overlook complementary information from smaller, specialized cohorts. Here we present BrainFedFM, a structural brain MRI foundation model federatively pretrained on 164,707 three-dimensional scans drawn from diverse real-world data distributions and organized across 42 federated sites. BrainFedFM uses dual-priority federated pretraining, coupling spatial-priority masking at each site with site-priority aggregation at the server to emphasize informative anatomical regions locally and prioritize site contributions globally. Across 20 downstream datasets spanning 17 classification, regression and segmentation tasks, BrainFedFM achieved the state-of-the-art performance (mean rank 1.68, 50\% gain) across seven models, including four centralized foundation models, while showing particularly consistent advantages in classification and regression and robustness across underrepresented populations. These findings demonstrate the generalizability of BrainFedFM and highlight federated pretraining as a practical strategy for developing neuroimaging foundation models from distributed data without pooling raw images.
• Abstract（参考訳）: 基礎モデルでは、発達、老化、疾患全体にわたる構造脳磁気共鳴画像(MRI)の一般化可能な解析を約束している。 しかしながら、既存のモデルは一般的に、プライバシとガバナンスの制約にもかかわらず、プールされたデータの集中的な事前トレーニングによって構築されます。 このようなプーリング最適化は、コホートのサイズを過度に強調し、より小さく特別なコホートから補完的な情報を見渡すことができる。 本稿では,脳MRI基盤モデルBrainFedFMについて紹介する。これは,実世界の多様なデータ分布から抽出された164,707個の3次元スキャンに基づいて,42のフェデレーション部位にまたがって編成された構造的脳MRI基盤モデルである。 BrainFedFMは、二重優先の事前訓練、各サイトにおける空間優先のマスキングとサーバにおけるサイト優先のアグリゲーションを結合して、局所的に情報的解剖学的領域を強調し、世界中のサイト貢献を優先する。 17の分類、回帰、セグメンテーションタスクにまたがる20のダウンストリームデータセットにおいて、BrainFedFMは、4つの集中基盤モデルを含む7つのモデルで最先端のパフォーマンス(平均ランク1.68, 50 %のゲイン)を達成した。 これらの結果は、BrainFedFMの一般化可能性を示し、生画像のプール化を伴わずに分散データから神経イメージング基盤モデルを開発するための実践的戦略として、フェデレーション事前訓練を強調した。

関連論文リスト

• Brain-DiT: A Universal Multi-state fMRI Foundation Model with Metadata-Conditioned Pretraining [6.189635778169108]
  現在のfMRI基礎モデルは、限られた脳の状態と、ミスマッチした事前訓練タスクに依存している。 我々は24のデータセットから349,898のセッションで事前訓練された,汎用多状態fMRI基盤モデルである textitBrain-DiT を提案する。
  論文  参考訳（メタデータ） (2026-04-14T12:52:42Z)
• Towards Brain MRI Foundation Models for the Clinic: Findings from the FOMO25 Challenge [33.95846433611413]
  我々はMICCAI 2025でFOMO25チャレンジを衛星イベントとして組織した。 参加者は,臨床ラベルから直接得られたデータに基づいて,大規模な事前学習データセットFOMO60Kを作成した。 16チームから19のファンデーションモデルが、標準化されたコンテナパイプラインを使用して評価された。
  論文  参考訳（メタデータ） (2026-04-13T16:23:46Z)
• Toward a Multi-View Brain Network Foundation Model: Cross-View Consistency Learning Across Arbitrary Atlases [62.33465338932216]
  MV-BrainFMは任意のアトラスで構築された脳ネットワークから一般化可能でスケーラブルな表現を学ぶために設計された多視点脳ネットワーク基盤モデルである。 17のfMRIデータセットから20万名以上の被験者を対象に行った実験では、MV-BrainFMは既存の14の脳ネットワーク基盤モデルより一貫して優れていた。
  論文  参考訳（メタデータ） (2026-03-20T11:55:00Z)
• 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)
• 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)
• Bridging Foundation Models and Efficient Architectures: A Modular Brain Imaging Framework with Local Masking and Pretrained Representation Learning [7.591083752535149]
  ファンデーションモデル(FM)の原則を効率よくドメイン固有のアーキテクチャと統合するモジュラーフレームワークを提案する。 平均絶対誤差は, 年齢予測では5.343, 流体知能では2.940, ピアソン相関係数は0.928, 0.887であった。 この研究は、LLMに基づくfMRI分析のアプローチに代わる堅牢で解釈可能な代替手段を提供し、脳の老化と認知機能に関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2025-08-09T08:06:01Z)
• 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)
• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• 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)
• Preserving Specificity in Federated Graph Learning for fMRI-based Neurological Disorder Identification [31.668499876984487]
  rs-fMRI解析と自動脳障害識別のための特異性を考慮したグラフ学習フレームワークを提案する。 各クライアントにおいて、我々のモデルは共有ブランチとパーソナライズされたブランチで構成されており、そこでは共有ブランチのパラメータがサーバに送信され、パーソナライズされたブランチのパラメータはローカルのままです。 被験者1,218人の2つのfMRIデータセットの実験結果から、SFGLは最先端のアプローチよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-08-20T15:55:45Z)

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。