相关实验视频
Updated: Jan 17, 2026
09:55
Neuroimaging-Guided TMS–EEG for Real-Time Cortical Network Mapping
Published on: June 13, 2025
2.5K
在脑成像任务中部署预训练的MRI变压器
Mengyu Li1,2, Guoyao Shen1,2, Chad W Farris3
1Department of Mechanical Engineering, Boston University, Boston, MA 02215, United States.
Research square
|September 18, 2025
概括
这项研究引入了一个框架,用于使用面具自编码器 (MAE) 预训练在脑MRI中进行少数拍摄的学习. 它在有限数据的分类和细分任务中取得了最先进的结果.
科学领域:
- 人工智能的人工智能
- 神经成像是一种神经成像.
- 医疗成像医学成像
背景情况:
- 机器学习变压器在医学成像中显示出前景.
- 有限的注释数据阻碍了变压器的现实应用.
- 预训练策略对于改善数据稀缺领域的变压器性能至关重要.
研究的目的:
- 开发一个实用的框架,用于预训练的MRI变压器的短时间部署.
- 为了利用蒙面自编码器 (MAE) 预训练,在脑MRI中进行可转移的潜伏表示.
- 为了提高各种脑成像任务的性能,在最低限度的监督下.
主要方法:
- 在一个大规模的多队列脑MRI数据集 (>3100万片) 上,利用了面具自编码器 (MAE) 预训练.
- 开发了一种冷MAE编码器,用于分类任务 (MRI序列识别).
- 提出了MAE-FUnet,这是一个混合架构,将CNN功能与MAE嵌入用于细分任务 (头骨剥离,解剖细分).
主要成果:
- 在最小的监督下实现了MRI序列识别的最先进的准确性.
- 在数据有限的条件下,MAE-FUnet在骨剥离和多类解剖细分方面始终表现优于基线.
- 证明了可转移的潜伏表示,在任务和数据集中很好地概括.
结论:
- 拟议的框架提供了一种高效,稳定和可扩展的解决方案,用于脑磁共振成像中的少数镜头学习.
- 该MAE预培训策略为各种神经成像应用提供了高度有效的表示.
- 该框架适用于低资源的临床环境和更广泛的神经成像研究.
