arXiv cs.AI· Spiros Maggioros, Guray Erus, Gareth Harman, George Aidinis, Alexander Getka, Aristeidis Sotiras, Christos Davatzikos·· 11 小时前AI 评分31
Brain2Vec：面向结构性脑部 MRI 的自监督 3D 基础模型
Brain2Vec: A Self-Supervised 3D Foundation Model for Structural Brain MRI
AI 导读
Brain2Vec 是在 74,425 张 T1 加权 MRI 扫描上预训练的自监督 3D 基础模型，可作下游任务微调的权重初始化骨干，也可作独立特征提取器。用其预训练权重初始化并微调后，脑龄预测任务的最终精度提升、收敛更快；冻结嵌入在五项下游分类任务中的四项优于解剖学体积特征，并与在更大数据上预训练的 SOTA 基础模型表现相当。代码与模型已开源，也可通过 NiChart 云平台直接提取特征。
正文 · AI 翻译
摘要：深度学习模型已成为医学影像领域不可或缺的工具，然而由于标注数据有限和计算资源受限，针对多样化任务进行端到端训练仍然颇具挑战。为解决这一问题，我们提出了 Brain2Vec，这是一个在来自多项研究的 74,425 例 T1 加权磁共振成像（MRI）扫描上预训练的基础模型。Brain2Vec 既可作为下游任务微调的权重初始化骨干，也可作为独立的特征提取器。我们在三项任务中评估了 Brain2Vec：下游预测性能、收敛速度和嵌入质量。将 Brain2Vec 的预训练权重用作初始化，并在脑龄预测任务的标注数据上进行微调，结果表明，与随机初始化相比，最终准确率有所提高，收敛速度更快。此外，在五项下游分类任务中的四项上，其冻结嵌入优于解剖学定义的体积特征，并与在数据量显著更大的数据集上预训练的最先进基础模型表现相当。最后，我们表明 Brain2Vec 编码的信息主要来自一组空间上局部化且具有神经解剖学意义的脑区，并且操纵一部分潜在特征会对重建的解剖结构产生单调的、区域特异性的影响。Brain2Vec 的代码和训练好的模型以开源软件包的形式发布于 此 https URL。用户可以通过安装该软件包在本地应用 Brain2Vec，或直接通过 NiChart 云平台 此 https URL 使用，在该平台上无需本地安装或专门的基础设施即可提取 Brain2Vec 特征。
| 学科： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.28411 [cs.CV] |
| （或 arXiv:2610.28411v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28411 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Spiros Maggioros [查看电子邮件]
[v1]
2026年10月20日星期二 15:50:35 UTC（6,313 KB）
来源：arXiv cs.AI · arxiv.org