Brain-DiT：基于元数据条件预训练的通用多状态 fMRI 基础模型
计算机视觉与模式识别
2026-04-15 v1 神经元与认知
摘要
当前 fMRI 基础模型主要依赖有限的脑状态和不匹配的预训练任务，限制了其在多样化脑状态下学习通用表征的能力。我们提出了 \textit{Brain-DiT}，一种在 349,898 场来自 24 个数据集的休息、任务、自然istic、疾病和睡眠状态下进行的通用多状态 fMRI 基础模型预训练。不同于依赖对原始信号空间或潜在空间进行掩码重建的先前 fMRI 基础模型，\textit{Brain-DiT} 采用基于元数据的条件扩散预训练结合扩散 Transformer (DiT)，使模型能够学习捕获细粒度功能结构与全局语义的多尺度表征。在对 7 个下游任务进行的广泛评估和消融实验中，我们发现扩散基于生成的预训练比重建或对齐更有效，元数据条件预训练进一步提升下游性能，通过消除固有神经动力学与人群水平变异性。我们还观察到下游任务在表征尺度上存在不同偏好：ADNI 分类受益更多于全局语义表征，而年龄/性别预测则更依赖细粒度的局部结构。Brain-DiT 的代码与参数已提供。
引用
@article{arxiv.2604.12683,
title = {Brain-DiT: A Universal Multi-state fMRI Foundation Model with Metadata-Conditioned Pretraining},
author = {Junfeng Xia and Wenhao Ye and Xuanye Pan and Xinke Shen and Mo Wang and Quanying Liu},
journal= {arXiv preprint arXiv:2604.12683},
year = {2026}
}