机构名称：
¥ 1.0
摘要。现有的用于脑图像分析的机器学习方法大多基于监督训练。它们需要大量的标记数据集，而这些数据集可能成本高昂甚至无法获得。此外，训练后的模型仅适用于标签定义的狭窄任务。在这项工作中，我们开发了一种基于基础模型概念的新方法来克服这些限制。我们的模型是一个基于注意力的神经网络，使用一种新颖的自监督方法进行训练。具体而言，该模型被训练以逐块方式生成脑图像，从而学习脑结构。为了便于学习图像细节，我们提出了一种新方法，该方法使用具有随机权重的卷积核对高频信息进行编码。我们在 10 个公共数据集上训练了我们的模型。然后，我们将该模型应用于五个独立的数据集，以执行分割、病变检测、去噪和脑年龄估计。结果表明，基础模型在所有任务上都取得了有竞争力或更好的结果，同时显著减少了所需的标记训练数据量。我们的方法能够利用大量未标记的神经影像数据集来有效地解决各种大脑图像分析任务，并减少获取标签的时间和成本要求。
建立脑图像分析基础模型的方法
主要关键词
相关文件推荐
