論文の概要: Reduce, Then Encode: Multiscale Volumetric Reduction for 2D Foundation Models in Brain MRI

• arxiv url: http://arxiv.org/abs/2609.35405v1
• Date: Mon, 28 Sep 2026 15:25:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 05:48:10.956446
• Title: Reduce, Then Encode: Multiscale Volumetric Reduction for 2D Foundation Models in Brain MRI
• Title（参考訳）: 脳MRIにおける2次元基礎モデルのマルチスケールボリューム削減
• Abstract要約: 脳構造磁気共鳴イメージング(sMRI)のための専用の3Dプリトレーニングに代わる実用的2D基礎モデル 既存のメソッドは通常、スライスを独立してエンコードし、その後機能を統合します。 基礎モデル符号化の前に, (D) スライスから (M D) 補完的な2次元成分へ各解剖学的ビューを圧縮するマルチスケールボリュームリダクション (MVR) を導入する。
• 参考スコア（独自算出の注目度）: 46.50584900245533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pretrained 2D foundation models offer a practical alternative to dedicated 3D pretraining for brain structural magnetic resonance imaging (sMRI), but their use on volumetric data requires bridging the mismatch between a 2D encoder and a 3D volume input. Existing methods typically encode slices independently and integrate their features afterwards. We introduce Multiscale Volumetric Reduction (MVR), a reduce-then-encode approach that compresses each anatomical view from (D) slices into (M << D) complementary 2D components before foundation-model encoding. MVR combines an uncentered-PCA base component derived from the original through-plane intensities with residual detail components constructed from multiscale spatial descriptors. The reduction is estimated from the training volumes without diagnostic labels or gradient-based optimization and remains fixed thereafter. The resulting components are independently processed by a shared frozen 2D foundation model and concatenated for linear probing. Under this frozen-encoder setting, MVR achieves strong overall performance across ADNI, OASIS, and ABIDE relative to the evaluated 2D-to-3D adaptation methods and simple input-reduction baselines, while also generalizing strongly from ADNI to AIBL.
• Abstract（参考訳）: 事前訓練された2Dファンデーションモデルは、脳構造磁気共鳴イメージング(sMRI)のための専用の3Dプリトレーニングに代わる実用的な代替手段を提供するが、ボリュームデータに使用するには、2Dエンコーダと3Dボリューム入力のミスマッチをブリッジする必要がある。 既存のメソッドは通常、スライスを独立してエンコードし、その後機能を統合します。 基礎モデル符号化の前に, (D) スライスから (M<<D) 相補的2次元成分へ各解剖学的ビューを圧縮するマルチスケールボリュームリダクション (MVR) を導入する。 MVRは、元のスループレーンインテンシティから派生した非中心PCAベースコンポーネントと、マルチスケール空間記述子から構築された余分な詳細コンポーネントを結合する。 診断ラベルや勾配に基づく最適化を使わずにトレーニングボリュームから減算を推定し,その後修正した。 得られた成分は、共有凍結2次元基礎モデルにより独立に処理され、線形探索のために連結される。 この凍結エンコーダ設定の下で、MVRは評価された2D-to-3D適応法と単純な入出力ベースラインに対してADNI、OASIS、ABIDE間で高い全体的な性能を達成すると同時に、ADNIからAIBLへ強く一般化する。

関連論文リスト

• Modality-Aware and Anatomical Vector-Quantized Autoencoding for Multimodal Brain MRI [15.657081811594418]
  マルチモーダル脳MRIの再構成のためのVQ-VAE(Modality-Aware 3D vector-quantized VAE)を提案する。 NeuroQuantは、既存のVAEよりも優れた再構成忠実性を達成する。
  論文  参考訳（メタデータ） (2026-04-06T21:07:34Z)
• MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models [59.180043227905294]
  MedPrunerは、3次元医用画像の効率的な理解のためのトレーニング不要でモデルに依存しない階層的トークンプレーニングフレームワークである。 我々は、MedPrunerによって、MedGemmaのようなモデルが元の性能を維持したり、超えたりすることが可能であり、ビジュアルトークンの5%以下を維持していることを示す。
  論文  参考訳（メタデータ） (2026-03-12T07:37:00Z)
• Extending 2D foundational DINOv3 representations to 3D segmentation of neonatal brain MR images [3.186130813218338]
  グローバルMRIボリュームは、重複しない3Dウィンドウまたはサブキューブに分解され、それぞれが凍結した高忠実度機能の上に構築された別個のデコードアームを介して処理される。 提案手法は、1つの3Dウィンドウに対してDiceスコア0.65を達成する。
  論文  参考訳（メタデータ） (2026-02-27T12:16:21Z)
• Training-Free Zero-Shot Anomaly Detection in 3D Brain MRI with 2D Foundation Models [0.0]
  3次元脳MRIにおけるZSADのためのフルトレーニングフリーフレームワークについて紹介する。 このフレームワークは, 2次元基礎モデルにより処理された多軸スライスを集約することにより, 局所化ボリュームトークンを構成する。 これらの3Dパッチトークンは、立方体空間コンテキストを復元し、距離ベースでバッチレベルの異常検出パイプラインと直接統合する。
  論文  参考訳（メタデータ） (2026-02-17T02:46:45Z)
• Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
  MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。 MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
  論文  参考訳（メタデータ） (2026-01-29T13:05:46Z)
• SUFFICIENT: A scan-specific unsupervised deep learning framework for high-resolution 3D isotropic fetal brain MRI reconstruction [7.268308489093152]
  等方性HR容積再構成のための教師なし反復SVR-SRRフレームワークを提案する。 高分解能(HR)ボリュームを生成するために、ディープイメージ事前フレームワーク内に埋め込まれたデコードネットワークを包括的画像劣化モデルに組み込む。 大規模動乱シミュレーションデータと臨床データを用いて行った実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2025-05-23T04:53:59Z)
• HiPART: Hierarchical Pose AutoRegressive Transformer for Occluded 3D Human Pose Estimation [61.32714172038278]
  そこで本稿では, 階層型自動回帰変換器 (HiPART) と呼ばれる新しい2段階の縮退法を提案し, 元のスパース2Dポーズから2次元の高密度ポーズを生成する。 具体的には,高密度な2次元ポーズを階層的なトークンに量子化するマルチスケールスケルトントークン化モジュールを開発し,トークン接続を強化するスケルトン対応アライメントを提案する。 2D-to-3Dリフトの入力として生成された階層的ポーズにより,提案手法は隠蔽シナリオの強い堅牢性を示し,単一フレームベース3Dにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-03-30T06:15:36Z)
• Interpretable 2D Vision Models for 3D Medical Images [47.75089895500738]
  本研究では,3次元画像処理における中間特徴表現を用いた2次元ネットワークの適応手法を提案する。 我々は、ベンチマークとして3D MedMNISTデータセットと、既存の手法に匹敵する数百の高分解能CTまたはMRIスキャンからなる2つの実世界のデータセットを示す。
  論文  参考訳（メタデータ） (2023-07-13T08:27:09Z)
• Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
  本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。 また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
  論文  参考訳（メタデータ） (2020-07-09T13:23:15Z)

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。