Brain2Vec：用于结构性脑 MRI 的自监督 3D 基础模型

arXiv:2610.28411v1 公告类型：cross 摘要：深度学习模型已成为医学影像学中的重要工具，但由于标注数据有限和计算资源受限，针对多种任务对其进行端到端训练仍然具有挑战性。为此，我们推出了 Brain2Vec，这是一种基于从多项研究汇集的 74,425 份 T1 加权磁共振成像（MRI）扫描数据进行预训练的基础模型。Brain2Vec 既可以作为下游任务微调时进行权重初始化的骨干网络，也可以作为独立的特征提取器。我们从三个方面对 Brain2Vec 进行了评估：下游预测性能、收敛速度和嵌入质量。在脑龄预测任务中，使用 Brain2Vec 的预训练权重进行初始化，并在标注数据上进行微调，结果表明，与随机初始化相比，该方法具有更高的最终准确率和更快的收敛速度。此外，在五项下游分类任务中的四项上，其冻结嵌入的表现优于基于解剖学定义的体积特征，并且与一种在规模大得多的数据集上进行预训练的先进基础模型相比具有竞争力。最后，我们展示了 Brain2Vec 主要从一组空间定位明确且具有神经解剖学意义的脑区中编码信息，并且对部分潜在特征进行操控会对重建的解剖结构产生单调且具有区域特异性的影响。Brain2Vec 的代码和训练模型已作为开源软件包发布于 https://github.com/CBICA/Brain2Vec。用户可以通过安装该软件包在本地应用 Brain2Vec，也可以直接通过 NiChart 云平台 https://cloud.neuroimagingchart.com 使用，无需本地安装或专用基础设施即可提取 Brain2Vec 特征。