論文の概要: NeuroCBIR: A Fast and Accurate Image Retrieval System for Whole-Brain and Region-Specific MRI
- arxiv url: http://arxiv.org/abs/2610.06502v1
- Date: Mon, 05 Oct 2026 15:22:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-09 07:58:05.151519
- Title: NeuroCBIR: A Fast and Accurate Image Retrieval System for Whole-Brain and Region-Specific MRI
- Title（参考訳）: NeuroCBIR : 全脳と領域特異的MRIのための高速かつ正確な画像検索システム
- Abstract要約: NeuroCBIRは、全脳と領域特異的な3D T1w MRIスキャンの高速かつ柔軟な検索のためのフレームワークである。
NeuroCBIRは、変動オートエンコーダ(VAE)が学習した潜伏表現とコントラスト学習を併用し、スキャン固有の埋め込みを生成する。
- 参考スコア（独自算出の注目度）: 0.2770822269241973
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Content-based image retrieval (CBIR) in neuroimaging enables the identification of structurally similar brain scans, supporting diagnosis, prognosis, and treatment planning; however, existing methods are often limited to small datasets, single brain regions, or coarse class labels, thereby restricting their clinical utility and generalizability. Here, we present NeuroCBIR, a framework for fast and flexible retrieval of both whole-brain and region-specific 3D T1w MRI scans. A total of 103 cortical and subcortical regions are extracted to enable both whole-brain and region-level queries. NeuroCBIR leverages latent representations learned by a variational autoencoder (VAE) combined with contrastive learning, producing scan-specific embeddings that capture anatomical patterns. These embeddings were evaluated for subject re-identification, zero-shot age prediction, and zero-shot multi-class pathology stratification. Re-identification performance was high across both whole-brain and brain-region levels (mean average precision across the top-5 retrieved images (mAP@5) >= 98.4%), with robust generalization across datasets and acquisition conditions. While NeuroCBIR is not trained for age prediction or pathology stratification, zero-shot evaluations for these two tasks demonstrate that the embeddings encode meaningful information for downstream tasks. Embedding extraction on a 4-core CPU required approximately 18.7 s per scan, whereas similarity search was effectively instantaneous (less than 0.01 s). NeuroCBIR is publicly available for brain MRI with more than 26,000 precomputed T1w MRI embeddings. It supports reproducible research, region-specific flexibility, and clinically meaningful personalized diagnostic support. The software is available at https://github.com/minnelab/NeuroCBIR.
- Abstract（参考訳）: 神経イメージングにおけるコンテンツベースの画像検索(CBIR)は、構造的に類似した脳スキャンの同定、診断、予後、治療計画の立案を可能にするが、既存の手法はしばしば小さなデータセット、単一の脳領域、または粗いクラスラベルに制限され、臨床効果と一般化性を制限する。
本稿では,脳全体と領域特異的な3D T1w MRIスキャンを高速かつ柔軟に検索するフレームワークであるNeuroCBIRを提案する。
合計103個の皮質および皮質下領域を抽出し、脳全体および領域レベルのクエリを可能にする。
NeuroCBIRは、変動オートエンコーダ(VAE)が学習した潜伏表現と対照的な学習を組み合わせて、解剖学的パターンをキャプチャするスキャン特異的な埋め込みを生成する。
これらの埋め込みは,対象再同定,ゼロショット年齢予測,ゼロショット・マルチクラス階層化のために評価された。
再識別性能は脳全体レベルと脳領域レベルの両方で高く(トップ5検索画像の平均精度(mAP@5)>=98.4%)、データセットと取得条件をまたいだ堅牢な一般化が見られた。
NeuroCBIRは年齢予測や病的階層化のために訓練されていないが、これらの2つのタスクのゼロショット評価は、下流タスクに意味のある情報をエンコードしていることを示している。
4コアCPUでの埋め込み抽出には1スキャンあたり約18.7秒が必要であったが、類似性検索は事実上(0.01秒未満)瞬時に行われた。
NeuroCBIRは、26,000以上の事前計算されたT1w MRI埋め込みを持つ脳MRIで公開されている。
再現可能な研究、地域固有の柔軟性、臨床的に意味のあるパーソナライズされた診断支援をサポートする。
このソフトウェアはhttps://github.com/minnelab/NeuroCBIRで入手できる。
関連論文リスト
- 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) - AI-Enhanced Virtual Biopsies for Brain Tumor Diagnosis in Low Resource Settings [0.0]
本稿では, 軽量畳み込みニューラルネットワーク(CNN)と放射能式手工芸品を用いた2次元脳MRI画像の4クラス分類のための仮想生検パイプラインの試作について述べる。
臨床診断や病理学の代用ではなく、意思決定支援として構成されている。
論文 参考訳（メタデータ） (2025-12-19T19:53:56Z) - 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) - Detailed delineation of the fetal brain in diffusion MRI via multi-task learning [5.261252388770444]
我々は,脳組織を白白質,皮質/皮質下灰白質,脳脊髄液に分割する統一的な計算枠組みを開発し,検証した。
これらのラベルを用いて,3つの計算を行うためのマルチタスク深層学習法を開発し,検証した。
論文 参考訳（メタデータ） (2024-08-26T13:51:04Z) - 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) - AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳（メタデータ） (2024-07-02T16:44:00Z) - 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) - A Novel SLCA-UNet Architecture for Automatic MRI Brain Tumor
Segmentation [0.0]
脳腫瘍は、個人の寿命を減少させる深刻な健康上の合併症の1つである。
脳腫瘍のタイムリーな検出と予測は、脳腫瘍による死亡率の予防に役立つ。
ディープラーニングベースのアプローチは、自動化バイオメディカル画像探索ツールを開発するための有望なソリューションとして登場した。
論文 参考訳（メタデータ） (2023-07-16T14:06:45Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z)
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。