基于大量未标记数据的预训练，基础模型在大量应用中进行强大性能表现，尤其在分析脑信号领域中，Brant-2 是最大的脑信号基础模型，具备数据变化和建模规模鲁棒性，适用于更广泛的脑神经数据范围，在多种应用场景中适应性强，具备模型的可扩展性、各组件的有效性以及在缺乏标签情境下性能维持能力的实验验证。

Feb, 2024

机器学习、基础模型、大规模语言模型、神经科学研究、生成性人工智能模型的最新进展以及这些模型在神经科学中的应用。

Oct, 2023

通过引入新颖的基于 Transformer 的 Brainformer 方法，分析人类感知系统中 fMRI 模式，并将其作为监督机制应用于机器视觉模型，通过实验证明，在各种图像识别任务中，利用 fMRI 信息可以实现与当前最先进方法相比的潜在结果。

Nov, 2023

通过深度学习和自我监督学习相结合的训练策略，我们提出了一种基础模型来改善将正常特征推广到临床特征，以实现从创伤性脑损伤后的数据对创伤性癫痫的预测等临床任务，并在神经系统疾病分类任务和零样本学习预测创伤性癫痫的应用中验证了该策略的有效性。

Dec, 2023

本文提出了一种大脑解剖结构模型 (BAPM) 的框架，通过探索大脑解剖结构来预测认知能力恶化的临床进展，验证了 BAPM 在四项认知能力恶化进展预测任务以及磁共振成像重建和脑组织分割方面与几种最先进方法的比较表明其有效性。

Jun, 2023

该研究提出了一种基于 3D Transformer 的分割方法，采用无限可变形融合 Transformer 模块 (IDFTM) 和融合头自注意机制 (FHSA) 提取 MRI 图像的长程空间依赖关系特征，通过在公共数据集中对脑肿瘤的分割实验验证，证明其优于其他目前最先进的方法。

Apr, 2023

本文探讨了基于 Transformer 模型的脑网络分析方法。通过将脑网络构建为固定大小和顺序的图形，使用连接特征提供自然低成本的位置信息，学习不同个体之间具有高预测性的特征强度。基于自监督软聚类和正交投影的正交聚类读取操作包含确定相似行为的基础功能模块，导致具有区分性的簇感知节点嵌入和信息丰富的图嵌入。该方法在公开 ABIDE 和经过限制的 ABCD 数据集上实现了明显的改善，代码实现可以在该 https URL 获取。

Oct, 2022

本文讨论了大规模预训练模型，即基础模型，用于分析医学图像的机遇、应用和未来方向。具体而言，我们说明了医学基础模型的 “光谱”，从一般的视觉模型、模态特异性模型到器官 / 任务特异性模型，强调它们的挑战、机会和应用，以此来提高医学图像分析的准确性和效率，从而促进更加精确的诊断和治疗决策。

Jun, 2023

通过提供医学成像领域基础模型的综合概述，本调查旨在帮助研究人员了解基础模型的基本概念、培训策略、计算要求以及在医学图像分析方面的机会、应用和未来发展方向。

Oct, 2023

采用深度人工神经网络，通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割，无需非线性图像配准，对于全脑的解剖分割具有较好效果，为该领域提供了新的技术路线。

Feb, 2015