A Structured Review and Quantitative Profiling of Public Brain MRI Datasets for Foundation Model Development

📄 arXiv: 2510.20196v1 📥 PDF

作者: Minh Sao Khue Luu, Margaret V. Benedichuk, Ekaterina I. Roppert, Roman M. Kenzhin, Bair N. Tuchinov

分类: cs.CV

发布日期: 2025-10-23

💡 一句话要点

针对脑MRI基础模型，论文系统评估了公开数据集的多样性与一致性问题。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 脑MRI 基础模型 数据集分析 预处理 领域自适应

📋 核心要点

  1. 现有脑MRI基础模型开发缺乏对公开数据集规模、多样性和一致性的系统评估，阻碍了模型的泛化能力。
  2. 论文通过多层次分析，量化了公开脑MRI数据集在模态组成、图像特征和预处理流程上的差异性。
  3. 实验表明，即使经过标准化预处理，数据集间仍存在残余协变量偏移，需要领域自适应策略来提升模型性能。

📝 摘要（中文）

脑MRI基础模型的开发严重依赖于可用数据的规模、多样性和一致性，但对这些因素的系统评估仍然稀缺。本研究分析了54个公开可用的脑MRI数据集，包含超过538,031个样本，提供了一个为基础模型开发量身定制的结构化、多层次的概述。在数据集层面，我们描述了模态组成、疾病覆盖和数据集规模，揭示了大型健康队列与小型临床人群之间的强烈不平衡。在图像层面，我们量化了15个代表性数据集的体素间距、方向和强度分布，证明了可能影响表征学习的显著异质性。然后，我们对预处理的可变性进行了定量评估，检查了强度归一化、偏置场校正、颅骨剥离、空间配准和插值如何改变体素统计和几何形状。虽然这些步骤提高了数据集内的一致性，但数据集之间仍然存在残余差异。最后，使用3D DenseNet121的特征空间案例研究表明，在标准化预处理后，存在可测量的残余协变量偏移，证实了仅靠调和无法消除数据集间的偏差。总之，这些分析提供了一个统一的公共脑MRI资源变异性特征，并强调了在通用脑MRI基础模型的设计中，需要考虑预处理和领域自适应策略。

🔬 方法详解

问题定义：论文旨在解决脑MRI基础模型开发中，由于公开数据集的异质性（包括模态、疾病覆盖、图像特征和预处理方式等方面的差异）导致的模型泛化能力不足的问题。现有方法通常忽略这些异质性，直接使用混合数据集进行训练，导致模型学习到数据集特有的偏差，而非通用的脑部结构信息。

核心思路：论文的核心思路是对公开的脑MRI数据集进行系统性的多层次分析，量化不同数据集之间的差异，并评估预处理流程对这些差异的影响。通过深入了解数据集的特性和预处理的影响，为后续设计更有效的预处理方法和领域自适应训练策略提供指导。

技术框架：论文的整体框架包括以下几个主要阶段： 1. 数据集收集与整理：收集并整理了54个公开的脑MRI数据集，涵盖多种模态和疾病类型。 2. 数据集层面分析：分析数据集的模态组成、疾病覆盖和数据集规模，揭示数据集之间的不平衡性。 3. 图像层面分析：量化15个代表性数据集的体素间距、方向和强度分布，评估图像特征的异质性。 4. 预处理流程评估：评估强度归一化、偏置场校正、颅骨剥离、空间配准和插值等预处理步骤对体素统计和几何形状的影响。 5. 特征空间分析：使用3D DenseNet121提取特征，并通过可视化和统计分析，评估预处理后的数据集间残余协变量偏移。

关键创新：论文的关键创新在于对公开脑MRI数据集进行了全面、系统的多层次分析，并量化了数据集间和数据集内的差异性。此外，论文还评估了常用预处理流程对这些差异的影响，为后续研究提供了重要的参考依据。

关键设计：论文的关键设计包括： 1. 多层次分析框架：从数据集层面、图像层面和特征空间层面，全面评估数据集的异质性。 2. 定量评估指标：使用体素统计、几何形状和特征分布等定量指标，量化数据集间的差异。 3. 预处理流程评估：系统评估了常用预处理步骤对数据集差异的影响，为选择合适的预处理策略提供指导。 4. 特征空间可视化：使用t-SNE等方法可视化特征空间，直观展示数据集间的协变量偏移。

📊 实验亮点

研究表明，即使经过标准化的预处理流程，公开脑MRI数据集之间仍然存在显著的残余协变量偏移。使用3D DenseNet121提取特征后，通过可视化和统计分析，证实了数据集间的差异性依然存在，强调了领域自适应策略的重要性。

🎯 应用场景

该研究成果可应用于脑MRI基础模型的开发，提升模型的泛化能力和鲁棒性。通过了解数据集的特性和预处理的影响，可以设计更有效的预处理方法和领域自适应训练策略，从而提高模型在不同数据集上的性能。此外，该研究还可以促进脑MRI数据的共享和标准化。

📄 摘要（原文）

The development of foundation models for brain MRI depends critically on the scale, diversity, and consistency of available data, yet systematic assessments of these factors remain scarce. In this study, we analyze 54 publicly accessible brain MRI datasets encompassing over 538,031 to provide a structured, multi-level overview tailored to foundation model development. At the dataset level, we characterize modality composition, disease coverage, and dataset scale, revealing strong imbalances between large healthy cohorts and smaller clinical populations. At the image level, we quantify voxel spacing, orientation, and intensity distributions across 15 representative datasets, demonstrating substantial heterogeneity that can influence representation learning. We then perform a quantitative evaluation of preprocessing variability, examining how intensity normalization, bias field correction, skull stripping, spatial registration, and interpolation alter voxel statistics and geometry. While these steps improve within-dataset consistency, residual differences persist between datasets. Finally, feature-space case study using a 3D DenseNet121 shows measurable residual covariate shift after standardized preprocessing, confirming that harmonization alone cannot eliminate inter-dataset bias. Together, these analyses provide a unified characterization of variability in public brain MRI resources and emphasize the need for preprocessing-aware and domain-adaptive strategies in the design of generalizable brain MRI foundation models.