BrainMass: Advancing Brain Network Analysis for Diagnosis with Large-scale Self-Supervised Learning

摘要

在大规模数据集上通过自监督学习预训练的基础模型在各种任务中表现出了卓越的通用性。由于医疗数据的异质性和难以收集的特性，这种方法对于医学图像分析和神经科学研究尤其有益，因为它简化了广泛的下游任务，无需大量昂贵的注释。然而，对于大脑网络基础模型的研究有限，限制了它们在广泛的神经科学研究中的适应性和泛化能力。在这项研究中，我们旨在弥合这一差距。具体来说，（1）我们通过整合来自30个数据集的图像，策划了一个全面的数据库，包括46,686名参与者的70,781个样本。此外，我们引入了伪功能连接性（pFC），通过随机丢弃BOLD信号的某些时间点，进一步生成了数百万增强型大脑网络。（2）我们提出了BrainMass框架，用于通过掩码建模和特征对齐进行大脑网络的自监督学习。BrainMass采用掩码-感兴趣区域建模（MRM）来加强网络内部依赖性和区域特异性。此外，利用潜在表示对齐（LRA）模块来规范同一参与者的增强大脑网络，使其具有相似的拓扑属性，通过对齐它们的潜在嵌入来产生相似的潜在表示。在八个内部任务和七个外部大脑疾病诊断任务上的广泛实验表明，BrainMass的优越性能，突出了其显著的泛化能力和适应性。尽管如此，BrainMass展示了强大的少/零样本学习能力，并为各种疾病提供了有意义的解释，展示了其在临床应用中的潜力。