요약: 뇌 MRI는 다양한 신경과학 및 임상 응용 분야를 뒷받침하지만, 대부분의 학습 기반 방법은 작업 특이적이며 상당한 레이블된 데이터가 필요합니다. 여기서는 단일 자기 주도 표현이 다양한 뇌 MRI 종단점에 일반화할 수 있음을 보여줍니다. 저희는 인구, 질병, 측정 환경에 대한 광범위한 변화를 포함하는 20개 데이터셋에서의 약 660만 개의 레이블되지 않은 축면을 사용하여 BrainDINO, 자기 주도로 추출된 기초 모델을 훈련했습니다. 동결된 인코더와 가벼운 작업 헤드를 사용하여 BrainDINO는 종양 분할, 신경퇴행 및 신경발달 상태 분류, 뇌 연령 추정, 중후혈 관련 시간 예측, 분자 상태 예측, MRI 시퀀스 분류 및 생존 모델링을 포함한 전이를 지원했습니다. 여러 작업과 지도 규범을 통해 BrainDINO는 자연 이미지와 MRI 특정 자기 주도 기준선보다 일관되게 동일하거나 우수했으며, 레이블 부족 상황에서 특히 강력한 우위를 가졌습니다. 표현 분석은 특정 작업 지도 없이 해부학적으로 조직화되고 질병에 민감한 특징 구조를 보여주었습니다. 우리의 발견은 대규모 슬라이스별 자기 주도 학습이 복합체의 뇌 MRI 표현을 생성할 수 있으며, 볼륨 사전 훈련이나 전체 네트워크 미세 튜닝 없이 다양한 신경영상 작업을 지원할 수 있음을 나타냅니다. 이는 강력하고 데이터 효율적인 뇌 영상 분석을 위한 확장 가능한 기초를 마련합니다. 코드는 다음에 제공됩니다.이 https URL
| 댓글: | 22 페이지, 5 그림 |
| 주제: | 기계 학습 (cs.LG); 인공 지능 (cs.AI); 컴퓨터 비전 및 패턴 인식 (cs.CV) |
| 참조: | arXiv:2604.27277 [cs.LG] |
| (또는 arXiv:2604.27277v2 [cs.LG] 이 버전용) | |
| https://doi.org/10.48550/arXiv.2604.27277 arXiv에서 발행한 DOI를 DataCite를 통해 제공 |
이 콘텐츠는 인셔셔RSS(RSS 리더)가 자동으로 집계한 것으로 읽기 참고용입니다. 원문 출처 — 저작권은 원저작자에게 있습니다.