迈向可泛化的脑部MRI基础模型

《npj Imaging》：Towards generalisable foundation models for brain MRI

　　

摘要

通过自监督学习训练的基础模型正在医疗成像领域推动出可扩展且具有泛化能力的解决方案。然而，大多数现有的基础模型都是为2D自然图像设计的，并没有充分利用脑部MRI数据的结构特点。我们提出了BrainFound，这是一个针对脑部MRI的自监督基础模型，它采用基于切片的学习策略，将MRI数据视为一系列2D切片进行处理。这种方法能够在捕获切片间上下文信息的同时实现高效的学习。该框架支持单模态和多模态输入（例如T1、T2、FLAIR），从而整合互补的结构信息。我们使用多种公开数据集对BrainFound在多个下游任务中的表现进行了评估，包括神经退行性疾病检测、肿瘤分级和脑组织分割。该模型在标签稀缺和跨数据集的测试环境中始终优于监督学习和自监督学习的基线模型，显示出强大的泛化能力。这些结果凸显了基于切片的自监督学习作为脑部MRI分析的可扩展方法的有效性。BrainFound为神经影像学应用提供了灵活的基础，具有临床应用和大规模研究的潜力。