基于低秩适配的3D卷积基石模型跨模态微调用于ADHD分类
图像与视频处理
2026-01-16 v2 计算机视觉与模式识别
机器学习
医学物理
摘要
早期诊断儿童注意力缺陷/冲动/过动症（ADHD）在改善教育和心理健康结果方面发挥着关键作用。然而，尽管使用神经影像数据诊断ADHD仍然具有挑战性，因为其表现形式具有异质性，症状与其他疾病存在重叠。为此，我们提出了一种新颖的参数高效迁移学习方法，该方法将在CT图像上预训练的大规模3D卷积基石模型适配基于MRI的ADHD分类任务。该方法在3D中引入低秩适配（LoRA），通过将3D卷积核分解为2D低秩更新，大幅减少可训练参数，同时实现卓越的性能。在一个以公开扩散MRI数据库为依据的五折交叉验证评估中，我们的3D LoRA微调策略实现了最先进的结果，其中一个模型变体达到了71.9%的准确率，另一个模型变体达到了0.716的AUC。两个变体仅使用164万个可训练参数（比完全微调的基石模型少了113倍）。我们的结果是注意力缺陷/冲动/过动症分类领域首次成功完成跨模态（CT到MRI）适配基石模型之一，为ADHD分类树立了新的基准，同时大幅提高了效率。
引用
@article{arxiv.2511.06163,
title = {Cross-Modal Fine-Tuning of 3D Convolutional Foundation Models for ADHD Classification with Low-Rank Adaptation},
author = {Jyun-Ping Kao and Shinyeong Rho and Shahar Lazarev and Hyun-Hae Cho and Fangxu Xing and Taehoon Shin and C. -C. Jay Kuo and Jonghye Woo},
journal= {arXiv preprint arXiv:2511.06163},
year = {2026}
}
备注
Accepted for presentation at the IEEE International Symposium on Biomedical Imaging (ISBI) 2026