Systematic Morphometric Brain Autoencoding for Representation Learning in Neurodegenerative Diseases

📄 arXiv: 2610.37074v1 📥 PDF

作者: Nuria Balbás-Esteban, Albert Belenguer-Llorens, Elaheh Moradi, Jussi Tohka, Vanessa Gómez-Verdejo, Carlos Sevilla-Salcedo

分类: cs.CV, cs.LG

发布日期: 2026-10-27

💡 一句话要点

提出SYMBA框架以解决神经退行性疾病的MRI表征学习问题

🎯 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: 神经退行性疾病 自监督学习 MRI分析 深度学习 形态学特征 临床应用 阿尔茨海默病 样本效率

📋 核心要点

  1. 现有的监督学习模型在神经退行性疾病的MRI分析中面临泛化能力不足的问题，主要由于标注数据稀缺和数据分布变化。
  2. SYMBA框架通过解剖约束掩蔽和多尺度结构相似性重建目标，专门针对结构性脑MRI进行自监督学习，提升了特征学习的有效性。
  3. 在多个临床任务中，SYMBA在阿尔茨海默病分类和轻度认知障碍转化预测中表现优异，AUROC分别达到0.930和0.772，显示出高样本效率。

📝 摘要（中文）

早期识别神经退行性疾病对于及时的临床干预至关重要，但现有的监督深度学习模型因标注有限和扫描仪引起的分布转移而难以泛化。自监督学习提供了一个有前景的替代方案，但现有方法主要适用于自然图像，依赖对比目标或通用的掩蔽重建，未能充分捕捉与神经退行性变相关的分布形态模式。本文提出了SYMBA（系统形态脑自编码），这是一个专为结构性脑MRI设计的自监督预训练框架，集成了解剖约束掩蔽、多尺度结构相似性重建目标和渐进式课程，显著提升了模型在多种临床任务中的表现。

🔬 方法详解

问题定义：本文旨在解决神经退行性疾病的MRI表征学习问题，现有方法因依赖有限的标注数据和对自然图像的适应性而难以有效泛化。

核心思路：SYMBA框架通过引入解剖结构约束和多尺度重建目标，专注于神经解剖结构的自监督学习，避免了对通用图像先验的依赖。

技术框架：SYMBA的整体架构包括三个主要模块：解剖约束掩蔽、多尺度结构相似性重建和渐进式学习课程，逐步从局部解剖细节过渡到全局脑形态。

关键创新：SYMBA的核心创新在于其解剖约束掩蔽和多尺度重建目标，这与现有方法的通用性设计形成鲜明对比，能够更好地捕捉与神经退行性变相关的形态模式。

关键设计：在损失函数设计上，采用了多尺度结构相似性（MS-SSIM）作为重建目标，确保了重建过程中对解剖结构的保留，同时在预训练阶段使用了6953个T1加权MRI扫描数据，增强了模型的泛化能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，SYMBA在阿尔茨海默病分类任务中达到了0.930的AUROC，在轻度认知障碍转化预测中达到了0.772，且在低标注样本情况下，仅使用六个标注样本就实现了约0.90的AUROC，显示出其高样本效率和优越的泛化能力。

🎯 应用场景

该研究的潜在应用领域包括临床神经影像学、早期疾病筛查和个性化医疗。通过提高神经退行性疾病的早期识别能力，SYMBA框架有望在临床实践中提供更为精准的干预措施，改善患者的预后。

📄 摘要（原文）

Early identification of neurodegenerative disorders using structural T1-weighted MRI is essential for timely clinical intervention, yet supervised deep learning models often struggle to generalize due to limited annotations and scanner-induced distribution shift. Self-supervised learning offers a promising alternative; however, existing approaches are largely adapted from natural image paradigms, relying on contrastive objectives or generic masked reconstruction with voxel-wise losses, which may not fully capture the distributed morphometric patterns associated with neurodegeneration. We introduce SYMBA (SYstematic Morphometric Brain Autoencoding), a self-supervised pretraining framework specifically designed for structural brain MRI. SYMBA integrates anatomically constrained masking, a multi-scale structural similarity (MS-SSIM) reconstruction objective, and a progressive curriculum that transitions from local anatomical detail to global brain morphology. These components explicitly incorporate neuroanatomical structure into the self-supervised objective rather than relying on generic image priors. Pretrained on 6,953 T1-weighted MRI scans from nine heterogeneous cohorts, SYMBA is evaluated using frozen linear probing on two independent unseen datasets, enabling a strict assessment of out-of-distribution generalization. Across multiple clinical tasks, SYMBA consistently outperforms recent neuroimaging foundation models, achieving 0.930 AUROC for Alzheimer's disease classification, 0.772 for mild cognitive impairment conversion prediction, and strong performance in amyloid status prediction. In low-label regimes, SYMBA demonstrates high sample efficiency, reaching approximately 0.90 AUROC for AD/CN classification using only six labeled subjects.