Brain2Vec：構造的脳MRIのための自己教師あり3D基盤モデル

- 構造的脳MRI(T1-weighted MRI)向けの自己教師あり3D基盤モデル。 - 複数研究から集めた74,425件のT1-weighted MRIスキャンで事前学習。 - 用途は2通り。 - 下流タスクのfine-tuningにおける重み初期化backbone。 - そのまま使えるstandalone feature extractor。 - コードと学習済みモデルをオープンソースで公開し、NiChart cloud platformからも利用可能。

- 従来のend-to-end学習はラベル不足と計算制約が課題。 - 大規模データで事前学習した基盤モデルとして、限られたラベルでの下流学習を支援。 - 脳年齢予測のfine-tuningで、random initializationより最終精度と収束速度が改善。 - 凍結embeddingが5つの下流分類タスク中4つで解剖学的volumetric featuresを上回る。 - より大量データで事前学習されたstate-of-the-art foundation modelとも競合する性能。

- 自己教師あり学習による3D基盤モデルの事前学習。 - 学習データは複数研究を統合した74,425件のT1-weighted MRI。 - 事前学習済み重みをfine-tuningの初期化に利用可能。 - 凍結したままfeature extractorとしてembeddingを抽出可能。 - 具体的な自己教師あり目的関数やネットワーク構成は要旨からは不明。

- 3つの観点で評価。 - 下流予測性能。 - 収束速度。 - embedding品質。 - 脳年齢予測のfine-tuningで、random initializationと比較し最終精度と収束速度を検証。 - 5つの下流分類タスクで、凍結embeddingを解剖学的volumetric featuresおよびstate-of-the-art foundation modelと比較。 - 潜在featureの操作が再構築解剖に単調かつ領域特異的な効果を与えることを確認。

- 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主に符号化する。 - 一部のlatent featuresを操作すると、再構築解剖に単調で領域特異的な変化が生じる。 - 限られたラベルデータ下での学習支援とfeature抽出の両面で有用性を示唆。 - 事前学習データの研究間差異やバイアス、他モダリティへの一般化などは要旨からは不明。

- 比較対象として言及された、より大量データで事前学習されたstate-of-the-art foundation model(具体名は要旨からは不明)。 - 解剖学的volumetric featuresに関する研究。 - 脳年齢予測(brain age prediction)の関連研究。 - 自己教師あり学習による医用画像基盤モデルの代表的手法(例: masked autoencoder系)。