論文の概要: Brain2Vec: A Self-Supervised 3D Foundation Model for Structural Brain MRI

• arxiv url: http://arxiv.org/abs/2610.28411v1
• Date: Tue, 20 Oct 2026 15:50:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.895598
• Title: Brain2Vec: A Self-Supervised 3D Foundation Model for Structural Brain MRI
• Title（参考訳）: Brain2Vec: 構造脳MRIのための自己監督型3Dファンデーションモデル
• Abstract要約: Brain2Vecは、74,425 T1強調MRIスキャンで事前訓練された基礎モデルである。 ダウンストリームタスクを微調整するためのバックボーンとして機能し、スタンドアローンの機能抽出器として機能する。 Brain2Vecは、空間的に局在し、神経解剖学的に意味のある脳領域の情報をコードする。
• 参考スコア（独自算出の注目度）: 37.81669433677988
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning models have become essential tools in medical imaging, yet training them end-to-end for diverse tasks remains challenging due to limited labeled data and computational constraints. To address this, we introduce Brain2Vec, a foundation model pre-trained on 74,425 T1-weighted Magnetic Resonance Imaging (MRI) scans pooled from multiple studies. Brain2Vec can serve both as a weight initialization backbone for fine-tuning downstream tasks and as a standalone feature extractor. We evaluated Brain2Vec in three tasks: downstream predictive performance, convergence speed, and embedding quality. Using Brain2Vec's pretrained weights as initialization and fine-tuning on labeled data for a brain age prediction task, results demonstrate improved final accuracy and faster convergence compared to random initialization. Additionally, its frozen embeddings outperform anatomically defined volumetric features on four of five downstream classification tasks and perform competitively with a state-of-the-art foundation model pre-trained on substantially more data. Lastly, we show that Brain2Vec encodes information primarily from a spatially localized and neuroanatomically meaningful set of brain regions, and that manipulating a subset of latent features produces monotonic, region-specific effects on the reconstructed anatomy. Brain2Vec code and trained models are available as an open-source package on https://github.com/CBICA/Brain2Vec. Users can apply Brain2Vec locally by installing the package, or directly through the NiChart cloud platform https://cloud.neuroimagingchart.com, where Brain2Vec features can be derived without requiring local installation or specialized infrastructure.
• Abstract（参考訳）: 深層学習モデルは医療画像に欠かせないツールとなっているが、ラベル付きデータや計算の制約により、様々なタスクをエンドツーエンドで訓練することは困難である。 そこで本研究では, 74,425 T1-weighted Magnetic Resonance Imaging (MRI) を用いた基礎モデルBrain2Vecを紹介する。 Brain2Vecは、下流タスクを微調整するための重み付け初期化バックボーンとして機能し、スタンドアローンの機能抽出器として機能する。 我々は、下流予測性能、収束速度、埋め込み品質の3つのタスクでBrain2Vecを評価した。 Brain2Vecの事前訓練した重みを、脳年齢予測タスクのラベル付きデータの初期化および微調整として使用することにより、最終的な精度が向上し、ランダム初期化よりも早く収束することを示す。 さらに、その凍結埋め込みは、5つの下流分類タスクのうち4つで解剖学的に定義された体積的特徴より優れており、かなり多くのデータに基づいて事前訓練された最先端の基礎モデルと競争的に機能する。 最後に、Brain2Vecは、主に空間的に局在し、神経解剖学的に意味のある脳領域の情報を符号化し、潜在特徴のサブセットを操作することで、再構成された解剖学に単調な領域特異的な影響が生じることを示す。 Brain2Vecのコードとトレーニングされたモデルはhttps://github.com/CBICA/Brain2Vecのオープンソースパッケージとして利用できる。 パッケージをインストールすることでBrain2Vecをローカルに、あるいはNiChartクラウドプラットフォーム https://cloud.neuroimagingchart.com を通じて直接適用することができる。

関連論文リスト

• BrainNext: A General-Purpose Self-Supervised Foundation Model for Brain MRI Analysis [5.596045804901233]
  脳MRI解析のための汎用自己監督基盤モデルであるBrainNextを提案する。 BrainNextは、複数のMRIモダリティにまたがる60,551個のラベルのない脳MRI検査から、豊富な解剖学的表現を学習する。 BrainNext on the Foundation Models for Medical Imaging (FOMO) 2025 Method Track, includesing classification, segmentation, and brain-age Estimation。
  論文  参考訳（メタデータ） (2026-07-20T10:15:02Z)
• Voxel-Level Brain States Prediction Using Swin Transformer [65.9194533414066]
  本稿では, 4D Shifted Window (Swin) Transformer をエンコーダとして用い, 時間的情報を効率よく学習し, 畳み込みデコーダを用いて入力fMRIデータと同じ空間的, 時間的解像度で脳状態の予測を可能にするアーキテクチャを提案する。 前回の23.04s fMRI時系列に基づいて7.2sの安静時脳活動を予測すると,高い精度が得られた。 これは、人間の脳の時間的構造が高解像度でSwin Transformerモデルによって学習できることを示す有望な証拠である。
  論文  参考訳（メタデータ） (2025-06-13T04:14:38Z)
• A Brain Graph Foundation Model: Pre-Training and Prompt-Tuning for Any Atlas and Disorder [9.83654608793608]
  本稿では,脳グラフ基盤モデルを構築するための,グラフに基づく新しい事前学習パラダイムを提案する。 BrainGFMは、様々なパーセレーションと様々な脳のアトラスの混合物で事前訓練されている。 BrainGFMは、25の一般的な神経疾患と精神疾患にまたがる27のデータセットで事前訓練されている。
  論文  参考訳（メタデータ） (2025-05-31T20:35:53Z)
• 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)
• BrainSegFounder: Towards 3D Foundation Models for Neuroimage Segmentation [6.5388528484686885]
  本研究は,医療基盤モデルの創出に向けた新しいアプローチを紹介する。 本稿では,視覚変換器を用いた2段階事前学習手法を提案する。 BrainFounderは、これまでの勝利ソリューションの成果を上回る、大幅なパフォーマンス向上を実演している。
  論文  参考訳（メタデータ） (2024-06-14T19:49:45Z)
• Brain3D: Generating 3D Objects from fMRI [78.46936519561298]
  被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。 我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。 予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
  論文  参考訳（メタデータ） (2024-05-24T06:06:11Z)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• Neural Language Models are not Born Equal to Fit Brain Data, but Training Helps [75.84770193489639]
  音声ブックを聴く被験者の機能的磁気共鳴イメージングの時間軸予測に及ぼすテスト損失,トレーニングコーパス,モデルアーキテクチャの影響について検討した。 各モデルの訓練されていないバージョンは、同じ単語をまたいだ脳反応の類似性を捉えることで、脳内のかなりの量のシグナルをすでに説明していることがわかりました。 ニューラル言語モデルを用いたヒューマン・ランゲージ・システムの説明を目的とした今後の研究の実践を提案する。
  論文  参考訳（メタデータ） (2022-07-07T15:37:17Z)

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。