Resumen: La resonancia magnética cerebral tridimensional (3D) es fundamental para la neurología clínica y la neurooncología, donde los modelos generativos podrían aumentar cohortes subrepresentadas, simular trayectorias de enfermedades y respaldar el intercambio de datos para preservar la privacidad. La difusión latente ha sido la solución preferida para modelar datos de imágenes, pero impone dos demandas contrapuestas al tokenizador: las incorporaciones del codificador deben retener la información clínica sobre la que actúan las tareas posteriores, y el decodificador debe reconstruir volúmenes anatómicamente fieles. Los tokenizadores existentes impulsados por la reconstrucción logran lo segundo a expensas de lo primero. Para abordar esto, presentamos un tokenizador basado en un codificador automático enmascarado (MAE) completamente volumétrico para la difusión latente de resonancia magnética cerebral en 3D, desacoplando el codificador y el decodificador: un codificador MAE 3D congelado produce incrustaciones clínicamente informativas, mientras que un decodificador CNN dedicado reconstruye vóxeles a partir de una proyección lineal de esas incrustaciones. Preentrenamos el codificador en 35.309 volúmenes de 18 cohortes públicas que abarcan cuatro modalidades, diez categorías de enfermedades y más de 200 sitios de adquisición, y demostramos su doble utilidad en dos entornos. Primero, en una prueba comparativa de sondeo lineal de 23 tareas, el codificador supera o iguala a los modelos SOTA (es decir, BrainIAC, BrainSegFounder y MedicalNet) en 21 de 23 tareas. En segundo lugar, un transformador de difusión condicional (DiT) entrenado en estas incorporaciones clínicamente informativas admite tanto la generación condicional en seis variables como la previsión longitudinal específica del paciente. En conjunto, estos resultados establecen un único espacio de integración de resonancia magnética cerebral en 3D capaz de realizar tareas clínicas posteriores y generación controlable.
Publicado originalmente en export.arxiv.org el 18 de junio de 2026.
Ver fuente original
