面向脑 MRI 的通用基础模型
计算机视觉与模式识别
2026-01-01 v3
摘要
人工智能中的 foundation models 正在通过从大规模无标签数据集中进行通用特征学习来变革医学影像。在本工作中，我们引入BrainFound，一个用于脑 MRI 的自监督 foundation model，通过扩展 DINO-v2 实现，其中该模型最初是为 2D 自然图像设计的。BrainFound 通过整合来自连续 MRI 切片的体积信息，适应 DINO-v2 以模型化完整 3D 脑部解剖结构，超越传统的单切片范式。它支持单模态和多模态输入， enable 执行广泛的下游任务，包括疾病检测和图像分割，同时在 varied imaging protocols 与临床情景之间进行 generalisation。我们展示，BrainFound 在 label 稀缺和多对比度设置下 consistently 优于现有的自监督预训练策略和监督基线方法。通过整合来自多种 3D MRI 模态的信息（如 T1、T2、FLAIR），它提高诊断准确性， reduce 对 extensive expert annotations 的依赖。这种 flexibility 使 BrainFound 成为可扩展且实用的 3D 神经影像管道，具有显著的临床部署和研究创新的潜力。
引用
@article{arxiv.2510.23415,
title = {Towards Generalisable Foundation Models for Brain MRI},
author = {Moona Mazher and Geoff J. M. Parker and Daniel C. Alexander},
journal= {arXiv preprint arXiv:2510.23415},
year = {2026}
}