SLIM-Brain：面向 fMRI 数据分析的数据与训练高效的基础模型
计算机视觉与模式识别
2026-02-02 v3 神经元与认知
摘要
基础模型正成为 fMRI 分析的强大范式，但当前方法面临数据与训练效率的双重瓶颈。基于图谱的方法将体素信号聚合到固定的感兴趣区域中，降低了数据维度但丢弃了细粒度的空间细节，且需要极大的队列才能作为通用基础模型进行有效训练。另一方面，无图谱方法直接在体素级信息上操作，保留了空间保真度，但其内存和计算开销过高，使得大规模预训练不可行。我们引入了 SLIM-Brain（Sample-efficient, Low-memory fMRI Foundation Model for Human Brain，面向人脑的样本高效、低内存 fMRI 基础模型），这是一种新的无图谱基础模型，可同时提升数据与训练效率。SLIM-Brain 采用两阶段自适应设计：轻量级时间提取器捕获完整序列的全局上下文，并按显著性对数据窗口进行排序；4D 分层编码器（Hiera-JEPA）仅从排名前 的选定窗口中学习细粒度的体素级表示，同时删除约 70% 的掩码块。在七个公共基准上的广泛实验表明，SLIM-Brain 在多种任务上确立了新的 SOTA 性能，且与传统的体素级方法相比，仅需 4 千次预训练会话及约 30% 的 GPU 内存。
引用
@article{arxiv.2512.21881,
title = {SLIM-Brain: A Data- and Training-Efficient Foundation Model for fMRI Data Analysis},
author = {Mo Wang and Junfeng Xia and Wenhao Ye and Enyu Liu and Kaining Peng and Jianfeng Feng and Quanying Liu and Hongkai Wen},
journal= {arXiv preprint arXiv:2512.21881},
year = {2026}
}
备注
release code