BrainNext：用于脑 MRI 分析的通用自监督基础模型

使用自监督学习预训练的基础模型通过从大规模未标记数据中学习可转移表示，改变了计算机视觉。然而，现有的神经影像基础模型仍然受到特定任务训练、基于切片的学习策略或相对较小的预训练数据集的限制，限制了它们在不同脑 MRI 应用中的通用性。在这项工作中，我们提出了 BrainNext，这是一种用于体积脑 MRI 分析的通用自监督基础模型。 BrainNext 将屏蔽自动编码器 (MAE) 预训练与原生三维双向 xLSTM-UNet 架构相结合，从跨越多种 MRI 模式的 60,551 个未标记的脑部 MRI 检查中学习丰富的解剖学表征。随后，预训练模型通过轻量级任务特定 微调 适应下游任务。我们在医学影像基础模型 (FOMO) 2025 方法轨道上对 BrainNext 进行了评估，包括分类、分割和脑年龄估计，在 FOMO 2025 官方挑战排行榜上，它总体排名第二，在脑膜瘤分割任务中排名第一，展示了跨异构神经影像任务的强大可迁移性。这些结果凸显了大规模自监督预训练在学习稳健且可转移的体积表示方面的潜力，将 BrainNext 建立为各种脑部 MRI 应用的可扩展基础模型。