论文
BrainDINO：用于通用临床表征学习的脑 MRI 基础模型
BrainDINO: A Brain MRI Foundation Model for Generalizable Clinical Representation Learning
摘要
脑 MRI 支撑着广泛的神经科学和临床应用，但大多数基于学习的方法仍然是特定于任务的，并且需要大量标记数据。在这里，我们展示了单一的自我监督表示可以泛化到不同的大脑 MRI 端点。我们使用来自 20 个数据集的约 660 万个未标记的轴向切片对 BrainDINO（一种自蒸馏基础模型）进行了训练，这些数据集涵盖了人口、疾病和采集设置的广泛变化。 BrainDINO 使用带有轻量级任务头的冷冻编码器，支持跨肿瘤分割、神经退行性和神经发育状况分类、脑年龄估计、中风后时间预测、分子状态预测、MRI 序列分类和生存建模的传输。在各种任务和监督机制中，BrainDINO 始终等于或超过自然图像和 MRI 特定的自我监督基线，在标签稀缺的情况下具有特别强大的优势。表征分析进一步显示了在缺乏特定任务监督的情况下解剖学组织和病理学敏感的特征结构。我们的研究结果表明，大规模切片自监督学习可以产生统一的大脑 MRI 表示，支持多种神经成像任务，无需体积预训练或全网络 微调，为稳健且数据高效的大脑成像分析奠定可扩展的基础。代码可在 https://github.com/mclwu22/BrainDINO 获取