- 3 次围观
脑基础模型在从功能磁共振成像（fMRI）数据中学习具有泛化能力的表征方面取得了令人鼓舞的进展。然而，现有模型通常依赖于特定的脑图谱，无法在不进行完全重新训练的情况下应用于采用不同图谱表征的 fMRI 数据，从而严重限制了其在不同神经影像学研究中的广泛应用。为解决这一瓶颈，我们提出 AREION，即脑连接组的图谱无关表征学习方法。AREION 通过两项相互融合的创新技术克服了对脑图谱的依赖。首先，脑区上下文建模技术基于脑区的空间、功能和形态特征，将来自不同图谱的脑区及连接条目映射到统一的表征空间中。其次，分层脑 Transformer 编码器将脑区特异性的连接谱处理为可变长度的词元序列，并在脑区上下文的条件约束下，同时捕获局部功能结构与全局脑功能组织模式，而不假设脑区数量固定。两项技术协同作用，使模型能够跨越具有不同分区分辨率和连接维度的脑图谱学习具有泛化能力的表征。AREION 基于大规模多图谱 fMRI 数据队列，通过自监督建模进行预训练，并在多种下游任务上接受评估。大量实验表明，在使用显著更少参数的情况下，AREION 的表现优于强监督基线模型和 fMRI 基础模型；同时，它还展现出对预训练阶段未见图谱的强迁移能力、对外部数据集的良好泛化能力，以及在脑区层面出色的可解释性。
脑基础模型在从功能磁共振成像（fMRI）数据中学习具有良好泛化能力的表征方面已取得了令人瞩目的进展。然而，现有模型通常依赖于特定的脑图谱，无法直接应用于采用不同图谱表示的 fMRI 数据，除非进行完整的重新训练，从而严重限制了其在不同神经影像学研究中的广泛应用。为解决这一瓶颈，我们提出 AREION，即脑连接组的图谱无关表征学习方法。AREION 通过两项相互结合的创新克服了对脑图谱的依赖。首先，脑区上下文建模技术（Brain Region Contextualizing）依据脑区及连接条目的空间、功能和形态学特征，将来自不同图谱的脑区与连接条目映射至统一的表征空间。其次，层次化脑Transformer编码器（Hierarchical Brain Transformer Encoder）将脑区特异性连接特征作为可变长度的标记序列进行处理，在脑区上下文的条件约束下，同时捕获局部功能结构与全局脑功能组织形式，而无需预先设定固定的脑区数量。两项技术相结合，使模型能够跨越具有不同分区分辨率和连接维度的脑图谱学习具有泛化能力的表征。AREION 基于大规模多图谱 fMRI 数据队列，通过自监督建模进行预训练，并在多种下游任务上接受评估。大量实验表明，与性能强劲的有监督基线模型和 fMRI 基础模型相比，AREION 仅使用显著更少的参数便取得了更优表现，展现出对预训练阶段未见图谱的强大迁移能力、对外部数据集的良好泛化能力，以及在脑区层面出色的可解释性。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.26.754551v1?rss=1
🏷️ 脑连接组 功能磁共振成像 脑基础模型 图谱无关表征学习 脑Transformer 自监督学习