論文の概要: Dataset-Specific Encoding of Image Content Underlies Cross-Dataset Failure in Brain MRI Foundation Models

• arxiv url: http://arxiv.org/abs/2610.13027v1
• Date: Fri, 09 Oct 2026 05:36:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.408685
• Title: Dataset-Specific Encoding of Image Content Underlies Cross-Dataset Failure in Brain MRI Foundation Models
• Title（参考訳）: 脳MRIファンデーションモデルにおける画像内容のデータセット特異的符号化
• Abstract要約: すべての表現がデータセット内のMRIシーケンスを認識するが、ほとんどの場合、目に見えない配列では失敗する。 原因はデータセットのエンコーディングやデータセットのシフトではなく、コンテンツ自体がデータセットの異なる方向に沿ってエンコードされている。 広く事前訓練された3DINOとSAM-Med3Dのみ、脳特異的なBrainIACとBrainFMは未訓練のネットワークに劣らない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Frozen features of brain MRI foundation models lose accuracy on new datasets, a failure usually blamed on the features encoding where each scan came from. We show that the failure lies elsewhere. Across 17 public datasets and eight frozen representations, every representation recognizes the MRI sequence within each dataset, yet most fail on an unseen one. The cause is neither dataset encoding nor a shift of each dataset: the content itself is encoded along different directions in each dataset. This explains which datasets fail, for the sequence and for sex, and why removing the dataset signal with INLP, LEACE, CORAL or adversarial training never improves sequence transfer. Only the broadly pretrained 3DINO and SAM-Med3D encode the sequence consistently enough to transfer; the brain-specific BrainIAC and BrainFM do no better than an untrained network. Code is available at https://github.com/BrainFM/brainfm-profiler/tree/main/representation_utility.
• Abstract（参考訳）: 脳MRIファンデーションモデルの凍結した機能は、新しいデータセットの正確さを失う。 私たちはその失敗がどこかにあることを示す。 17の公開データセットと8つの凍結した表現で、各表現はデータセット内のMRIシーケンスを認識するが、ほとんどは目に見えないデータセットで失敗する。 原因はデータセットのエンコーディングやデータセットのシフトではなく、コンテンツ自体がデータセットの異なる方向に沿ってエンコードされている。 これは、シーケンスとセックスでどのデータセットがフェールするかを説明し、なぜINLP、LEACE、CoRAL、あるいは逆行トレーニングでデータセット信号を削除することがシーケンス転送を改善することはないのかを説明する。 広く事前訓練された3DINOとSAM-Med3Dのみが、脳特異的なBrainIACとBrainFMの配列を一貫してコードしている。 コードはhttps://github.com/BrainFM/brainfm-knownr/tree/main/representation_utilityで公開されている。

関連論文リスト

• Quasi-Binarized Autoencoders: An Architecture-Independent Information Bottleneck for Medical Image Anomaly Detection [0.0]
  教師なし異常検出は、医用画像解析において中心的な課題であり、依然として未解決の課題である。 本稿では,各潜伏要素を[0, 1]に分解し,スケール1/エプシロンのラプラス雑音を付加する準二元化層を提案する。 MedIAnomalyベンチマークの7つのデータセットでは、1つのアーキテクチャと1つの構成を持つQBAEが0.828の平均画像レベルAUROCに達する。
  論文  参考訳（メタデータ） (2026-10-07T08:34:40Z)
• Unified 3D MRI Representations via Sequence-Invariant Contrastive Learning [0.15749416770494706]
  自己教師型深層学習は2次元の自然画像解析を加速させたが、3次元MRIへの変換は困難である。 定量的MRI(qMRI)を利用したemph-sequence-invariant self-supervised frameworkを提案する。 健常脳セグメンテーション(IXI)、脳梗塞セグメンテーション(ARC)、MRIによるデノイング実験は、ベースラインSSLアプローチよりも有意な増加を示した。
  論文  参考訳（メタデータ） (2025-01-21T11:27:54Z)
• MinD-3D++: Advancing fMRI-Based 3D Reconstruction with High-Quality Textured Mesh Generation and a Comprehensive Dataset [50.534007259536715]
  機能的磁気共鳴イメージング(fMRI)データから3次元視覚を再構成することは、認知神経科学とコンピュータビジョンにとって重要な関心事である。 我々は15人の参加者のデータを含むfMRI-3Dデータセットを提示し、合計4,768個の3Dオブジェクトを展示する。 テクスチャ化された3次元視覚情報をfMRI信号から復号する新しいフレームワークMinD-3D++を提案する。
  論文  参考訳（メタデータ） (2024-09-17T16:13:59Z)
• Self-Supervised Pretext Tasks for Alzheimer's Disease Classification using 3D Convolutional Neural Networks on Large-Scale Synthetic Neuroimaging Dataset [11.173478552040441]
  アルツハイマー病(Alzheimer's Disease, AD)は、脳の局所的および広範な神経変性を誘導する疾患である。 本研究では、下流ADとCN分類のための特徴抽出器を訓練するための教師なし手法をいくつか評価した。
  論文  参考訳（メタデータ） (2024-06-20T11:26:32Z)
• Self-supervised learning for classifying paranasal anomalies in the maxillary sinus [31.45131665942058]
  自己教師付き学習は、ラベルのないデータから表現を学習するために使用することができる。 上顎洞の副鼻腔奇形を分類する下流タスクのために設計されたSSLメソッドはない。 提案手法では,教師なし異常検出フレームワークで訓練された3次元畳み込みオートエンコーダを用いる。
  論文  参考訳（メタデータ） (2024-04-29T11:14:11Z)
• Rethinking Cross-Subject Data Splitting for Brain-to-Text Decoding [35.302150900816635]
  我々は、fMRIとEEG信号をテキストに復号するために、データ漏洩のない正しいクロスオブジェクトデータ分割基準を開発する。 いくつかのSOTA脳からテキストへの復号モデルは、さらなる研究のために提案された基準で正しく評価される。
  論文  参考訳（メタデータ） (2023-12-18T07:22:39Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Adversarial Distortion Learning for Medical Image Denoising [43.53912137735094]
  本稿では,2次元および3次元(2D/3D)のバイオメディカル画像データから,新たな逆歪み学習法を提案する。 提案されたADLは2つの自動エンコーダで構成されている。 デノイザとディスクリミネータはどちらも、Efficient-Unetと呼ばれる自動エンコーダをベースとしている。
  論文  参考訳（メタデータ） (2022-04-29T13:47:39Z)
• FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine Transform Loss [58.58979566599889]
  脳画像合成のための新しい自己教師型学習(FedMed)を提案する。 アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。 提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
  論文  参考訳（メタデータ） (2022-01-29T13:45:39Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)

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。