BrainFIBRE: A Foundation Model via Information Decomposition for Brain Microstructure

📄 arXiv: 2607.00573v1 📥 PDF

作者: Zijian Dong, Yi Lin, Ji Fang, Jianxiong Zhou, Kwun Kei Ng, Juan Helen Zhou

分类: cs.CV

发布日期: 2026-07-01

备注: ECCV 2026. The first three authors contributed equally

💡 一句话要点

提出BrainFIBRE以解决脑微结构信息整合问题

🎯 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: 脑微结构 扩散MRI NODDI 自监督学习 多模态学习 信息分解 神经影像学 机器学习

📋 核心要点

  1. 现有方法在整合NODDI-derived图谱时面临挑战，难以有效分离独特信息与共享信息。
  2. 论文提出BrainFIBRE模型，采用自监督部分信息分解（SPID）方法，首次实现多模态学习的自监督扩展。
  3. BrainFIBRE在多项任务上表现出色，达到最先进的性能，提供可解释的神经生物学表示，揭示特定交互模式。

📝 摘要（中文）

扩散MRI能够敏感探测脑微结构的早期脑血管和神经退行性变化。NODDI方法将扩散信号分解为三种生物物理可解释的图谱：神经纤维密度指数（NDI）、方向分散指数（ODI）和自由水分数（FWF），分别捕捉神经纤维的密集程度、纤维一致性和细胞外液体。然而，整合这些3D图谱存在挑战，传统的表示学习难以分离每个图谱中的独特信息。本文提出BrainFIBRE，这是首个针对脑微结构的基础模型，基于来自55,592名UK Biobank参与者的NODDI图谱进行预训练。我们提出的自监督部分信息分解（SPID）首次将PID引导的多模态学习扩展到自监督领域。通过对模态的丢弃和交换，构建反事实候选构造（CCC）范式，为Mixture-of-Experts架构提供对比信号，能够在没有下游标签的情况下分离独特、协同和冗余信息。BrainFIBRE在预测年龄、性别、脑血管和神经退行性标记及认知能力等多项任务上，在白人和亚洲人群中均表现出最先进的性能，同时提供神经生物学可解释的表示，揭示任务和人群特定的交互模式。

🔬 方法详解

问题定义：本文旨在解决如何有效整合NODDI-derived图谱中的信息，现有方法难以分离独特信息与共享信息，导致表示学习效果不佳。

核心思路：论文提出BrainFIBRE模型，利用自监督部分信息分解（SPID）方法，通过对模态的丢弃和交换，构建反事实候选构造（CCC），以此提供对比信号，帮助模型在没有下游标签的情况下分离信息。

技术框架：BrainFIBRE的整体架构包括数据预处理、SPID模块、CCC构建和Mixture-of-Experts架构。数据预处理阶段提取NODDI-derived图谱，SPID模块负责信息分解，CCC构建提供对比信号，最后通过Mixture-of-Experts架构进行信息整合与表示学习。

关键创新：最重要的技术创新在于首次将PID引导的多模态学习扩展到自监督领域，并通过CCC范式实现信息的有效分离与整合。

关键设计：在模型设计中，采用Mixture-of-Experts架构以增强模型的表达能力，损失函数设计上注重对比学习信号的构建，确保信息分解的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

BrainFIBRE在多项任务上表现出色，特别是在预测年龄、性别、脑血管及神经退行性标记方面，达到了最先进的性能，相较于基线模型提升幅度显著，展示了其在不同人群中的有效性与可解释性。

🎯 应用场景

该研究为神经影像学分析提供了一个多功能基础，能够在微观结构层面上进行深入分析，潜在应用于早期疾病诊断、个性化医疗以及神经科学研究等领域，具有重要的实际价值和未来影响。

📄 摘要（原文）

Diffusion MRI probes brain microstructure with particular sensitivity to early cerebrovascular and neurodegenerative changes. Neurite Orientation Dispersion and Density Imaging (NODDI) decomposes the diffusion signal into three biophysically interpretable maps: neurite density index (NDI), orientation dispersion index (ODI), and free water fraction (FWF), capturing neurite packing, fiber coherence, and extracellular fluid. These 3D maps offer a rich substrate for transferable microstructural representations, yet integrating them is challenging: standard representation learning struggles to disentangle the unique information in each map from their shared and synergistic interactions. We present BrainFIBRE, the first foundation model for brain microstructure, pretrained on NODDI-derived maps from 55,592 UK Biobank participants. We propose Self-supervised Partial Information Decomposition (SPID), which extends PID-guided multimodal learning to the self-supervised regime for the first time. A novel Counterfactual Candidate Construction (CCC) paradigm perturbs inter-modality alignment through modality dropping and swapping, providing the contrastive signal for a Mixture-of-Experts architecture to disentangle unique, synergistic, and redundant information without any downstream label. On both Caucasian and Asian cohorts, BrainFIBRE achieves state-of-the-art performance across diverse tasks predicting age, sex, cerebrovascular and neurodegenerative markers, and cognition, while yielding neurobiologically interpretable representations that reveal task- and cohort-specific interaction patterns. BrainFIBRE establishes a versatile foundation for neuroimaging analysis at the microstructural level.