BrainNorm: A Foundation Model that knows Normal via Semantic Atlas Pretraining

📄 arXiv: 2608.17521v1 📥 PDF

作者: Madhumitha Venkatesh, Shanawaj S Madarkar, Konda Reddy Mopuri

分类: cs.CV

发布日期: 2026-08-18

💡 一句话要点

提出BrainNorm模型以实现脑部MRI的规范化分析

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 脑部MRI 规范化模型 语义图谱 对比学习 神经影像学 疾病预测 健康老化 机器学习

📋 核心要点

  1. 现有方法在脑部MRI分析中缺乏有效的规范化模型，难以准确评估个体的健康状态和老化过程。
  2. BrainNorm通过对健康人群进行语言-图像对比预训练，构建了语义图谱潜在空间，提供了个体与健康模板的对比分析。
  3. 实验结果表明，BrainNorm在多个分类任务中表现优异，其线性探测性能超过9个基线模型，且局部偏差与临床文献中的神经退行性病理高度一致。

📝 摘要（中文）

本文介绍了BrainNorm，一个规范性基础模型，基于约66,000个T1加权结构MRI扫描进行训练和测试。通过对健康人群进行语言-图像风格对比预训练，BrainNorm学习了语义图谱潜在空间（SAL），每个扫描被表示为一组图谱分区嵌入。这种方法生成了特定于分区的健康老化模板轨迹，支持与个体的生理年龄一致的模板匹配和局部偏差评分。在6个下游数据集中，BrainNorm展示了在25种任务设置组合下的泛化能力，涵盖年龄估计、脑龄差估计、分区识别以及单病和多病分类任务。通过对健康人群的微调，进一步提升了各项任务的性能。

🔬 方法详解

问题定义：本文旨在解决脑部MRI分析中缺乏规范化模型的问题，现有方法在个体健康状态评估和老化过程分析上存在不足。

核心思路：BrainNorm通过对健康人群进行语言-图像风格对比预训练，构建了一个语义图谱潜在空间（SAL），使得每个MRI扫描可以被表示为一组图谱分区嵌入，从而实现个体与健康模板的有效比较。

技术框架：BrainNorm的整体架构包括数据预处理、对比预训练、SAL空间构建和下游任务评估等主要模块。首先对健康人群的MRI数据进行预处理，然后通过对比学习方法进行预训练，最后在多个下游任务上进行评估。

关键创新：BrainNorm的主要创新在于构建了语义图谱潜在空间（SAL），通过这种方式实现了个体与健康模板的局部偏差评分，显著提升了疾病预测的准确性。

关键设计：在模型设计中，采用了对比损失函数来优化嵌入空间，并通过微调策略进一步提升了模型在下游任务中的性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，BrainNorm在25种任务设置组合下的线性探测性能超过了9个基线模型，显示出其在年龄估计、脑龄差估计和疾病分类等任务中的优越性。此外，局部偏差模式与临床文献中的神经退行性病理高度一致，验证了模型的临床相关性。

🎯 应用场景

BrainNorm模型在医学影像分析领域具有广泛的应用潜力，尤其是在脑部疾病的早期诊断和健康老化过程的监测方面。通过提供个体与健康模板的对比分析，该模型能够帮助医生更好地理解患者的健康状况，并制定个性化的治疗方案。未来，BrainNorm有望在临床实践中得到推广，提升神经影像学的诊断效率和准确性。

📄 摘要（原文）

We introduce BrainNorm, a normative foundation model, trained and tested on ~66,000 T1-weighted structural MRI (T1w sMRI) scans. By leveraging language-image style contrastive pretraining on healthy cohorts across ages, BrainNorm learns a Semantic Atlas Latent space (SAL), where each scan is represented as a set of atlas-parcel embeddings. This yields parcel-specific healthy aging template trajectories that support age-consistent template matching and localized deviation scoring relative to a subject's chronological age. Across 6 downstream cohorts, BrainNorm demonstrates generalization evaluated across 25 task-setting combinations spanning age estimation, brain-age gap estimation, parcel identification, and single- & multi-disease classification tasks under direct inference, zero-shot, few-shot & full-data linear-probe settings. The resulting deviation patterns in SAL space enable zero-shot tasks for disease prediction using parcel-wise abnormalities. Fine-tuning on healthy-only cohorts of downstream datasets further improves the performance of various tasks. Across all classification tasks, linear probing on BrainNorm's frozen embeddings outperforms 9 baselines finetuned under end-to-end supervision. Furthermore, the localized deviations identified by BrainNorm across various neurodegenerative disorders closely align with established neurodegeneration pathology in clinical literature.