A generalizable structural brain MRI foundation model built through dual-priority federated pretraining

📄 arXiv: 2609.27611v1 📥 PDF

作者: Zhen Yu, Yang Liu, Xiahai Zhuang, Qingchao Chen

分类: cs.CV

发布日期: 2026-09-23

💡 一句话要点

提出BrainFedFM以解决结构性脑MRI分析中的隐私与数据分散问题

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

关键词: 脑MRI 联邦学习 基础模型 数据隐私 医学影像 机器学习 模型泛化 深度学习

📋 核心要点

  1. 现有的脑MRI分析模型通常采用集中式预训练，存在隐私和数据治理的限制，且容易忽视小型队列的有用信息。
  2. 本文提出的BrainFedFM模型通过双优先级联邦预训练，结合局部空间优先级掩蔽和全局站点优先级聚合，提升了模型对重要解剖区域的关注。
  3. 在20个下游数据集上，BrainFedFM在分类和回归任务中表现出显著的性能提升，平均排名达到1.68，相较于其他模型提升50%。

📝 摘要（中文）

基础模型在结构性脑磁共振成像（MRI）的通用分析中展现出潜力，尤其是在发展、衰老和疾病的研究中。然而，现有模型通常依赖于集中式预训练，忽视了小型专业队列中的互补信息。本文提出BrainFedFM，一个通过双优先级联邦预训练构建的结构性脑MRI基础模型，利用来自42个联邦站点的164,707个三维扫描数据，强调局部信息和全局贡献。在20个下游数据集的17个分类、回归和分割任务中，BrainFedFM在七个模型中实现了最先进的性能，特别是在分类和回归任务中表现出一致的优势。

🔬 方法详解

问题定义：本文旨在解决现有脑MRI分析模型在集中式预训练中面临的隐私和数据治理问题，同时克服对小型专业队列信息的忽视。

核心思路：论文提出的BrainFedFM模型通过双优先级联邦预训练，强调局部重要解剖区域的信息，同时在全局层面上优先考虑各个站点的贡献，以实现更好的模型泛化能力。

技术框架：BrainFedFM的整体架构包括两个主要模块：局部空间优先级掩蔽和全局站点优先级聚合。局部模块在每个站点进行预训练，而全局模块则在服务器端整合各站点的学习成果。

关键创新：最重要的技术创新在于双优先级联邦预训练策略，它在局部和全局层面上同时优化模型的学习过程，显著提升了模型对不同数据分布的适应性。

关键设计：在模型设计中，采用了特定的损失函数来平衡局部和全局信息的贡献，同时在网络结构上进行了优化，以确保模型在处理多样化数据时的鲁棒性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

BrainFedFM在20个下游数据集上表现出色，平均排名为1.68，相较于其他七个模型提升了50%。特别是在分类和回归任务中，模型展现出一致的优势，并在处理少数群体数据时表现出良好的鲁棒性。

🎯 应用场景

该研究的潜在应用领域包括医学影像分析、临床诊断支持和个性化医疗等。通过在分散数据中训练基础模型，BrainFedFM能够在保护隐私的前提下，提供更准确的脑部疾病分析和预测，具有重要的实际价值和未来影响。

📄 摘要（原文）

Foundation models hold promise for generalizable analysis of structural brain magnetic resonance imaging (MRI) across development, aging and disease. However, existing models are typically built through centralized pretraining on pooled data, despite privacy and governance constraints. Such pooling optimization can overemphasize cohort size and overlook complementary information from smaller, specialized cohorts. Here we present BrainFedFM, a structural brain MRI foundation model federatively pretrained on 164,707 three-dimensional scans drawn from diverse real-world data distributions and organized across 42 federated sites. BrainFedFM uses dual-priority federated pretraining, coupling spatial-priority masking at each site with site-priority aggregation at the server to emphasize informative anatomical regions locally and prioritize site contributions globally. Across 20 downstream datasets spanning 17 classification, regression and segmentation tasks, BrainFedFM achieved the state-of-the-art performance (mean rank 1.68, 50\% gain) across seven models, including four centralized foundation models, while showing particularly consistent advantages in classification and regression and robustness across underrepresented populations. These findings demonstrate the generalizability of BrainFedFM and highlight federated pretraining as a practical strategy for developing neuroimaging foundation models from distributed data without pooling raw images.