論文の概要: A generative foundation model for computational brain imaging

• arxiv url: http://arxiv.org/abs/2611.00265v1
• Date: Fri, 30 Oct 2026 18:45:23 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:58:28.382846
• Title: A generative foundation model for computational brain imaging
• Title（参考訳）: 計算脳イメージングのための生成基礎モデル
• Abstract要約: 本稿では,表現再利用を超えて知識伝達を拡張する生成基盤モデルであるBrainGFMを提案する。 約13万個のMRIとCTスライスからなるコーパスで事前トレーニングを行うことで、BrainGFMはタスク整列データ合成をサポートした。 BrainGFMは、限られた監督下でのセグメンテーションと分類を改善し、高忠実度画像強調を実現した。
• 参考スコア（独自算出の注目度）: 16.419281434074595
• License:
• Abstract: Computational brain imaging is constrained by a mismatch between increasingly diverse tasks and scarce, heterogeneous clinical data. Although existing brain foundation models transfer pretrained representations, their knowledge remains entangled within model-specific features and fixed architectures. This paper proposes BrainGFM, a generative foundation model that extends knowledge transfer beyond representation reuse through a reusable and reconfigurable brain-imaging prior. By pretraining on a corpus of about 1.3 million MRI and CT slices, BrainGFM supported task-aligned data synthesis for low-data predictive learning and task-adapted post-training for image reconstruction. Across 48 downstream tasks, BrainGFM improved segmentation and classification under limited supervision and achieved high-fidelity image enhancement across heterogeneous imaging conditions. Multicenter clinical validation involving 4,796 stroke patients across two internal and four external centers demonstrated its applicability to three clinically relevant tasks around stroke cohorts. Blinded reader assessments showed that BrainGFM-generated FLAIR images approached acquired FLAIR in overall diagnostic quality. In a human-AI collaboration study, BrainGFM assistance yielded a 14% relative improvement in mean radiologist stroke-subtyping accuracy. These findings support generative priors as a reusable foundation for heterogeneous computational brain-imaging applications.
• Abstract（参考訳）: 計算脳イメージングは、ますます多様なタスクと不十分で異質な臨床データとのミスマッチによって制約される。 既存の脳基盤モデルは事前訓練された表現を伝達するが、それらの知識はモデル固有の特徴と固定されたアーキテクチャに絡み合っている。 本稿では、再利用可能で再構成可能な脳画像により、表現再利用を超えて知識伝達を拡張する生成基盤モデルであるBrainGFMを提案する。 約13万個のMRIとCTスライスからなるコーパスを事前トレーニングすることで、BrainGFMは低データ予測学習のためのタスク整列データ合成と、画像再構成のためのタスク適応後トレーニングをサポートした。 48の下流タスクにおいて、BrainGFMは限定的な監督下でのセグメンテーションと分類を改善し、不均一な撮像条件で高忠実な画像強調を実現した。 内外の2つのセンターで4,796人の脳卒中患者の多施設臨床検証を行い,脳卒中コホートに関する3つの臨床的課題への適用性を示した。 ブラインドリーダーの評価では、BrainGFMが生成したFLAIR画像が全体的な診断品質においてFLAIRに近づいた。 人-AI共同研究において、BrainGFMは平均的放射線医学的脳卒中置換精度を14%改善した。 これらの知見は、不均一な計算脳イメージング応用のための再利用可能な基盤として、生成的先行を支えている。

関連論文リスト

• Deep generative priors for 3D brain analysis [9.407614414126142]
  本稿では,医療画像逆問題に対する拡散モデルの最初の汎用的応用について述べる。 我々のアプローチは、様々な脳MRIデータに基づいて、より柔軟な前方モデルと組み合わせたスコアベースの拡散を利用して、一般的な画像処理タスクをキャプチャする。
  論文  参考訳（メタデータ） (2025-10-16T20:20:50Z)
• A Modality-agnostic Multi-task Foundation Model for Human Brain Imaging [12.710492824928338]
  我々は、人間の脳イメージングのための、モダリティに依存しないマルチタスク視覚基盤モデルBrainFMを紹介する。 BrainFMは取得した画像の外観に耐性がある。 5つの基本的な脳イメージングタスクに直接適用することができる。
  論文  参考訳（メタデータ） (2025-08-30T16:15:32Z)
• Brain Imaging Foundation Models, Are We There Yet? A Systematic Review of Foundation Models for Brain Imaging and Biomedical Research [6.113042369956893]
  ファンデーションモデル(FM)は人工知能に革命をもたらし、医療画像において大きな可能性を秘めている。 脳画像は、神経疾患の診断と治療において重要な役割を担っているにもかかわらず、まだ表現されていない。 脳画像のためのFMの総合的およびキュレートされたレビューを初めて紹介する。
  論文  参考訳（メタデータ） (2025-06-16T09:46:46Z)
• 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)
• Bidirectional Brain Image Translation using Transfer Learning from Generic Pre-trained Models [0.0]
  医療分野では、ラベル付き医療画像を取得することは労働集約的で費用がかかるため、データの不足に対処することが大きな課題である。 近年の研究では、この問題を克服するためにトランスファーラーニング(transfer learning)が提案されている。 本研究では,MR-CT画像翻訳の課題に対して,転送学習を適用した。
  論文  参考訳（メタデータ） (2025-01-21T20:30:15Z)
• 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)
• Psychometry: An Omnifit Model for Image Reconstruction from Human Brain Activity [60.983327742457995]
  人間の脳活動から見るイメージを再構築することで、人間とコンピュータのビジョンをBrain-Computer Interfaceを通して橋渡しする。 異なる被験者から得られた機能的磁気共鳴イメージング(fMRI)による画像再構成のための全能モデルであるサイコメトリを考案した。
  論文  参考訳（メタデータ） (2024-03-29T07:16:34Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• 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)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)

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。