BrainWorld: A Structural-Prior-Conditioned Generative Model for Whole-Brain 4D fMRI Dynamics

📄 arXiv: 2606.17742v1 📥 PDF

作者: Junfeng Xia, Wenhao Ye, Junxiang Zhang, Xuanye Pan, Mo Wang, Quanying Liu

分类: cs.CV, q-bio.NC

发布日期: 2026-06-16

💡 一句话要点

提出BrainWorld以解决全脑4D fMRI生成问题

🎯 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: 全脑fMRI 生成模型 结构先验 多模态学习 脑动态建模 神经科学 数据增强

📋 核心要点

  1. 现有的fMRI生成模型主要关注表示学习和预测，缺乏针对条件生成的有效方法，限制了功能性脑动态的建模能力。
  2. BrainWorld通过将结构磁共振成像（sMRI）作为解剖上下文，整合结构信息到fMRI生成过程中，提供了一种新的生成模型思路。
  3. 在22个数据集上的评估表明，BrainWorld能够生成高达400帧的稳定4D fMRI轨迹，并通过生成示例增强下游任务性能。

📝 摘要（中文）

全脑4D fMRI生成对于建模功能性脑动态具有重要价值，但现有的fMRI基础模型主要集中在表示学习和下游预测，而非条件预测生成。本文提出BrainWorld，一个结构先验条件生成模型，用于全脑4D fMRI动态生成。BrainWorld利用结构磁共振成像（sMRI）作为个体解剖上下文，指导未来的fMRI生成，将结构信息整合到去噪过程中。经过对22个涵盖不同群体和脑状态的数据集的评估，BrainWorld能够生成稳定的4D fMRI轨迹，提升下游性能，并学习到可迁移的多模态表示，超越了基线模型。综上所述，BrainWorld确立了一个条件感知的生成框架，用于长时间范围的脑动态建模和多模态表示学习。

🔬 方法详解

问题定义：本文旨在解决全脑4D fMRI生成的挑战，现有方法多集中于表示学习，缺乏有效的条件生成能力，导致无法充分利用结构信息。

核心思路：BrainWorld模型通过将sMRI作为解剖上下文，指导fMRI生成过程，整合结构信息以提升生成质量和稳定性。

技术框架：BrainWorld的整体架构包括数据预处理、结构信息整合、去噪生成模块和后处理阶段，确保生成的fMRI数据具有生物学意义。

关键创新：BrainWorld的主要创新在于将结构先验信息直接融入生成过程，而非将其视为平行模态，这一设计显著提升了生成的稳定性和准确性。

关键设计：模型采用特定的损失函数来平衡生成质量和结构一致性，同时在网络结构上引入了多模态融合机制，以增强对不同数据源的适应性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，BrainWorld在22个数据集上生成的4D fMRI轨迹稳定性显著提升，能够生成高达400帧的动态数据。此外，通过生成示例增强下游任务性能，模型的表现超越了现有基线，展示出良好的可迁移性和多模态表示能力。

🎯 应用场景

该研究的潜在应用领域包括神经科学研究、临床诊断和个性化医疗等。通过生成高质量的fMRI数据，BrainWorld能够帮助研究人员更好地理解脑功能动态，并为疾病的早期诊断和治疗提供支持。未来，该模型可能在脑机接口和认知神经科学等领域发挥重要作用。

📄 摘要（原文）

Whole-brain 4D fMRI generation is valuable for modeling functional brain dynamics, yet existing fMRI foundation models mainly target representation learning and downstream prediction rather than conditional predictive generation. We introduce BrainWorld, a structural-prior-conditioned generative model for whole-brain 4D fMRI dynamics. BrainWorld uses sMRI as subject-level anatomical context to guide future fMRI generation, integrating structural information into the denoising process rather than treating it as a parallel modality. Evaluated on 22 datasets spanning diverse cohorts and brain states, BrainWorld generates stable 4D fMRI trajectories up to 400 frames, improves downstream performance through generated-example augmentation, and learns transferable multimodal representations that outperform baselines. Together, these results establish BrainWorld as a condition-aware generative framework for long-horizon brain dynamics modeling and multimodal representation learning.