⚡ electrical engineering

A large-scale heterogeneous 3D magnetic resonance brain imaging dataset for self-supervised learning

El artículo presenta FOMO260K, un conjunto de datos heterogéneo a gran escala que comprende más de 260.000 escaneos de resonancia magnética cerebral procedentes de diversas fuentes públicas, diseñado para facilitar y evaluar el aprendizaje auto-supervisado en imágenes médicas mediante un preprocesamiento mínimo y modelos preentrenados acompañantes.

Autores originales: Stefano Cerri, Asbjørn Munk, Sebastian Nørgaard Llambias, Jakob Ambsdorf, Julia Machnio, Vardan Nersesjan, Christian Hedeager Krag, Peirong Liu, Pablo Rocamora García, Mostafa Mehdipour Ghazi, Mikael

Publicado 2026-05-07

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Stefano Cerri, Asbjørn Munk, Sebastian Nørgaard Llambias, Jakob Ambsdorf, Julia Machnio, Vardan Nersesjan, Christian Hedeager Krag, Peirong Liu, Pablo Rocamora García, Mostafa Mehdipour Ghazi, Mikael Boesen, Michael Eriksen Benros, Juan Eugenio Iglesias, Mads Nielsen

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando enseñar a un robot a comprender el cerebro humano. Para hacerlo de manera efectiva, el robot necesita ver millones de escaneos cerebrales diferentes, tal como un niño aprende a reconocer un "perro" al ver miles de perros distintos en parques, fotos y películas.

Durante mucho tiempo, los investigadores que intentaban enseñar a la IA sobre los cerebros tuvieron un problema: solo tenían acceso a colecciones pequeñas y muy específicas de escaneos cerebrales. Era como intentar aprender sobre toda la naturaleza observando únicamente un solo jardín de rosas perfectamente cuidado. Te pierdes las malas hierbas, los bosques, las tormentas y las plantas extrañas y mutadas que existen en el mundo real. Además, obtener acceso a estos "jardines" a menudo requería llenar papeleo interminable y esperar permisos.

Presentamos FOMO260K: La "Biblioteca Cerebral" para la IA

Este artículo introduce FOMO260K, un nuevo conjunto de datos masivo diseñado para solucionar ese problema. Imagínalo como una biblioteca gigante y de acceso abierto que contiene 260.927 escaneos cerebrales de más de 55.000 personas diferentes.

Esto es lo que hace especial a esta biblioteca, explicado mediante analogías sencillas:

1. El "Bastón" de la Vida Real (Heterogeneidad)

La mayoría de los conjuntos de datos cerebrales anteriores eran como un álbum de fotos donde cada imagen fue tomada con la misma cámara, bajo la misma iluminación y con el mismo filtro. Eran demasiado perfectos y demasiado similares.

FOMO260K es diferente. Es un collage caótico y vibrante. Incluye:

Diferentes "Cámaras": Escaneos de muchas máquinas de resonancia magnética diferentes (Siemens, Philips, etc.) y diferentes intensidades de campo (1.5T, 3T e incluso 7T).
Diferente "Iluminación": Varios tipos de secuencias de resonancia magnética (T1, T2, difusión, etc.).
Desorden del Mundo Real: Incluye escaneos con grandes anomalías cerebrales, tumores, accidentes cerebrovasculares y trastornos mentales, no solo cerebros "perfectos" y sanos. Incluso incluye escaneos de menor resolución que podrías ver en un hospital típico, no solo en laboratorios de investigación de alta gama.

Los autores llaman a esto heterogeneidad. En términos sencillos, significa que el conjunto de datos es desordenado y diverso, tal como el mundo real. Esto es crucial porque enseña a la IA a ser robusta, para que no se confunda cuando ve un escaneo cerebral de un hospital diferente o de una máquina diferente.

2. El Enfoque de "Ingredientes Crudos"

Cuando compras una comida preparada, es conveniente, pero no sabes exactamente qué ingredientes lleva. Cuando compras ingredientes crudos, tienes que hacer el trabajo, pero sabes exactamente qué estás obteniendo.

FOMO260K proporciona los ingredientes crudos. Los investigadores aplicaron un "preprocesamiento mínimo". No alisaron las arrugas ni arreglaron la iluminación. Simplemente aseguraron que todos los cerebros estuvieran orientados de la misma manera (para que el lado izquierdo siempre esté a la izquierda) y eliminaron los escaneos que eran demasiado cortos o incompletos.

¿Por qué? Porque quieren que otros científicos puedan probar sus propios métodos de limpieza y preparación de los datos. Esto reduce la barrera de entrada, permitiendo que más personas experimenten sin necesidad de ser un chef maestro primero.

3. El Estudiante "Autodidacta" (Aprendizaje Auto-supervisado)

El artículo se centra en una técnica llamada Aprendizaje Auto-supervisado (SSL).

Imagina que tienes un estudiante que nunca ha visto un cerebro antes. En lugar de darle un libro de texto con respuestas (datos etiquetados), le das una pila de 260.000 escaneos cerebrales y le dices: "Descubre los patrones tú mismo".

El modelo de IA (un "estudiante") intenta adivinar las partes faltantes de los escaneos cerebrales. Al hacer esto millones de veces, aprende la "gramática" general de cómo se ven los cerebros y cómo están estructurados. Aprende cómo suele verse un cerebro sano, cómo los tumores distorsionan las cosas y cómo diferentes máquinas capturan las imágenes.

Una vez que el estudiante ha aprendido este lenguaje general, puedes darle una tarea específica, como "encuentra el accidente cerebrovascular", y aprenderá esa tarea específica mucho más rápido y mejor que si hubiera comenzado desde cero.

4. La Prueba: ¿Funciona?

Para probar que este "estudiante" realmente aprendió algo, los investigadores lo pusieron a prueba. Tomaron la IA entrenada con FOMO260K y le pidieron que realizara tareas difíciles, como encontrar pequeñas lesiones o tumores en escaneos nuevos y no vistos.

Compararon esta IA con una IA "desde cero": una que comenzó con cero conocimiento y tuvo que aprender todo desde cero utilizando solo una pequeña cantidad de datos etiquetados (como un estudiante que solo estudió durante un día).

El Resultado: La IA entrenada con FOMO260K superó consistentemente a la IA "desde cero". Fue mejor encontrando los problemas, incluso cuando solo tenía unos pocos ejemplos para aprender. Esto demuestra que la biblioteca masiva y desordenada de 260.000 escaneos enseñó con éxito a la IA una base sólida.

5. Dos Versiones del Conjunto de Datos

El artículo menciona dos versiones de esta biblioteca:

FOMO260K: La versión masiva y cruda descrita anteriormente. Es para personas que quieren hacer el trabajo pesado por sí mismas y desean los datos más diversos posibles.
FOMO45K: Una versión más pequeña y "precocinada". Estos escaneos han sido limpiados, alineados perfectamente y se les han eliminado los cráneos (o difuminado los rostros) para que estén listos para su uso inmediato en tareas específicas. Es como un kit de verduras picadas para quienes quieren empezar a cocinar inmediatamente.

Resumen

En resumen, este artículo dice: "Construimos la biblioteca de escaneos cerebrales más grande, diversa y accesible jamás creada. La mantuvimos cruda para que puedas experimentar con ella. Demostramos que si permites que una IA estudie esta biblioteca por su cuenta, se vuelve mucho más inteligente entendiendo los cerebros que si solo le das unos pocos ejemplos para estudiar".

Este recurso tiene la intención de ayudar a los investigadores a construir mejores herramientas de IA para la imagen médica, pero el artículo en sí se centra estrictamente en la creación del conjunto de datos y en la prueba de que mejora el aprendizaje de la IA, no en tratamientos médicos futuros específicos.

Resumen Técnico: FOMO260K – Un Conjunto de Datos 3D de IRM Heterogéneo a Gran Escala para Aprendizaje Auto-supervisado

Enunciado del Problema
El aprendizaje auto-supervisado (SSL) ha impulsado avances importantes en visión por computadora y procesamiento del lenguaje natural, en gran parte debido a la disponibilidad de conjuntos de datos públicos masivos y diversos como ImageNet y OpenWebText. Sin embargo, en neuroimagen, la adopción y evaluación de métodos de SSL se han visto obstaculizadas por la falta de conjuntos de datos públicos comparables en tamaño y diversidad. Los recursos existentes a gran escala (por ejemplo, ADNI, UK Biobank, PPMI, ABCD) suelen estar curados para enfermedades o poblaciones específicas, siguen protocolos de imagen homogéneos y poseen una variabilidad patológica limitada. Además, el acceso a estos conjuntos de datos está frecuentemente restringido por solicitudes formales, acuerdos estrictos de uso de datos y la necesidad de preprocesamiento complejo y específico del dominio (por ejemplo, conversión de DICOM a NIfTI, manejo de adquisiciones 4D). Estas barreras impiden la escalabilidad del preentrenamiento de SSL en imagen médica.

Metodología y Construcción del Conjunto de Datos
Para abordar estos desafíos, los autores introducen FOMO260K, un conjunto de datos a gran escala y heterogéneo de escaneos de IRM cerebral.

Agregación de Datos: El conjunto de datos comprende 260.927 escaneos de 77.589 sesiones de IRM y 55.378 sujetos, agregados de 910 fuentes públicas disponibles. Estas fuentes incluyen repositorios importantes como OpenNeuro (884 conjuntos de datos), HBN, Yale Brain Mets Longitudinal y otros, todos licenciados bajo términos compatibles con la redistribución CC BY-NC-SA.
Criterios de Inclusión/Exclusión: Todos los escaneos disponibles fueron elegibles, excepto los escaneos ex vivo, la IRM funcional, los mapas de campo, las imágenes de fase SWI, las PET y las TC, que fueron excluidos para evitar desplazamientos de distribución que podrían obstaculizar el preentrenamiento de SSL.
Estrategia de Preprocesamiento: Los autores aplicaron un preprocesamiento mínimo para preservar las características originales de las imágenes mientras aseguraban la consistencia.
- Todos los escaneos se reorientaron a la orientación RAS (Derecha-Anterior-Superior).
- Los volúmenes 4D se convirtieron a 3D.
- Se descartaron los escaneos con menos de 15 cortes.
- Manejo de DWI: Para la imagen de difusión ponderada, los autores implementaron una estrategia dual para aumentar la variabilidad durante el preentrenamiento. Para la mitad de los escaneos, se promediaron tres volúmenes alineados con los ejes para crear una sola imagen 3D. Para la otra mitad, se calculó una imagen de coeficiente de difusión aparente (ADC) de traza utilizando los tres volúmenes alineados con los ejes y una referencia $b_0$ .
- Imagen de Perfusión: Los datos multicanal se promediaron, mientras que las adquisiciones ASL se procesaron restando el primer canal del último.
Metadatos: Se recopiló información demográfica (edad, sexo, lateralidad) y grupos de diagnóstico (Control, Tumor Cerebral, Accidente Cerebrovascular, Trastornos Mentales, Demencia, Trastornos Neurológicos) y se mapearon utilizando coincidencia basada en palabras clave.
Variantes del Conjunto de Datos: El artículo también describe FOMO45K, un conjunto de datos complementario que contiene 46.149 escaneos de un subconjunto de las fuentes. A diferencia de FOMO260K, FOMO45K incluye imágenes co-registradas y sin cráneo (o desfiguradas), lo que lo hace listo para tareas posteriores que requieren entradas estandarizadas y anatómicamente alineadas.

Contribuciones Clave

Escala y Heterogeneidad: FOMO260K es significativamente más grande y heterogéneo que recursos anteriores como OpenMind (114K escaneos). Incluye una amplia gama de variabilidad anatómica y patológica, incluyendo escaneos con grandes anomalías cerebrales y una alta proporción de escaneos de baja resolución típicos de la práctica clínica (definidos como grosor de corte > 3 mm).
Accesibilidad: El conjunto de datos se distribuye como una sola descarga a través de Hugging Face, acompañado de código para preprocesamiento, incorporación de conjuntos de datos adicionales, preentrenamiento auto-supervisado y ajuste fino. Esta configuración tiene como objetivo reducir las barreras de entrada y permitir experimentos reproducibles.
Recursos Complementarios: La versión incluye modelos preentrenados y código para el desafío del Modelo Fundamental FOMO25, facilitando la evaluación inmediata y el desarrollo de métodos.

Validación Técnica y Resultados
Los autores validaron empíricamente la utilidad de FOMO260K preentrenando un modelo ResEnc de 100 millones de parámetros utilizando un objetivo de Autoencoder enmascarado aumentado (AMAES) con una tasa de enmascaramiento del 60%.

Configuración Experimental: El modelo preentrenado se evaluó en un entorno de pocos ejemplos (20 ejemplos etiquetados por división) en cinco benchmarks de segmentación diversos: ISLES22 (accidente cerebrovascular), ATLAS (accidente cerebrovascular), SBM3 (metástasis cerebrales), WMH (hiperintensidades de sustancia blanca) y Cerebrum-7T.
Rendimiento: El modelo preentrenado en FOMO260K superó consistentemente a una línea base "desde cero" (pesos inicializados aleatoriamente) en los cinco conjuntos de datos.
- Mejoras en la Puntuación Dice: El modelo preentrenado logró ganancias estadísticamente significativas ( $p < 0.05$ ) sobre la línea base desde cero. Mejoras notables incluyeron +1.45 Dice en SBM3, +1.29 en WMH y +1.12 en ISLES22.
- Conclusión: Estos resultados demuestran que las representaciones de propósito general aprendidas del conjunto de datos heterogéneo FOMO260K se transfieren efectivamente a nuevas tareas supervisadas con supervisión limitada.

Significado y Afirmaciones
El artículo posiciona a FOMO260K como un recurso fundamental destinado a apoyar el desarrollo y la evaluación de métodos de aprendizaje auto-supervisado en imagen médica a gran escala. Al proporcionar un conjunto de datos que refleja la heterogeneidad de los datos clínicos del mundo real (incluyendo resoluciones, protocolos y patologías variables) y eliminar las barreras de acceso, los autores buscan catalizar el progreso en los modelos fundamentales médicos. El conjunto de datos está diseñado para ser extensible, con planes de crecimiento a medida que estén disponibles cohortes y modalidades adicionales. Los autores enfatizan que el valor principal del conjunto de datos radica en permitir una investigación estandarizada y reproducible de SSL que anteriormente era difícil debido a la fragmentación de datos y las restricciones de acceso.