摘要：脑部磁共振成像为广泛的神经科学和临床应用提供了基础，然而大多数基于学习的方法仍然是任务特定的，并且需要大量的标记数据。在这里，我们展示了单个自监督表示可以泛化到异构的脑部磁共振成像终点。我们在来自20个数据集的约660万张未标记的轴向切片上训练了BrainDINO，这些数据集在人群、疾病和采集环境方面具有广泛的变异。使用冻结的编码器和轻量级任务头，BrainDINO支持跨肿瘤分割、神经退行性和神经发育障碍分类、脑年龄估计、中风后时间预测、分子状态预测、磁共振成像序列分类和生存建模的迁移。在任务和监督机制之间，BrainDINO始终等于或超过自然图像和特定于磁共振成像的自监督基线，在标签稀缺的情况下尤其具有优势。表示分析进一步显示了在没有特定任务监督的情况下，解剖学组织和病理敏感的特征结构。我们的研究表明，大规模切片自监督学习可以产生一个统一的脑部磁共振成像表示，该表示支持多种神经影像学任务，而无需体积预训练或全网络微调，为稳健和数据高效的脑部成像分析建立了一个可扩展的基础。代码可在这个 https URL
| 评论： | 22 页，5 个图 |
| 主题： | 机器学习 (cs.LG); 人工智能 (cs.AI); 计算机视觉与模式识别 (cs.CV) |
| 引用方式： | arXiv:2604.27277 [cs.LG] |
| (或者 arXiv:2604.27277v2 [cs.LG] 对此版本) | |
| https://doi.org/10.48550/arXiv.2604.27277 通过DataCite发布的arXiv DOI |
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。