自監督學習因能利用海量無標註資料，在醫學影像領域備受關注，但如何設計有效的預訓練任務仍具挑戰。近日，研究人員提出COJEPA框架，旨在為三維腦部MRI學習兼具區域性預測性與全域性判別性的表徵。該工作已被提交至arXiv，並於2026年7月12日釋出。
COJEPA的核心創新在於融合兩種互補的學習目標：聯合嵌入預測架構（JEPA）和對比損失（CO）。JEPA透過預測輸入影像中掩蔽區域的嵌入表示，迫使模型學習區域性結構資訊；而對比損失則透過拉近相似樣本、推開不同樣本的嵌入，增強全域性判別能力。兩者結合使得COJEPA同時具備精細的空間感知和魯棒的語義區分性。
在技術實現上，COJEPA將I-JEPA擴充套件至三維，採用前景感知塊掩蔽策略，優先遮擋腦組織區域，並引入分層卷積塊嵌入和世界空間正弦位置編碼，以高效處理高解析度體積資料。模型在兩個公開資料集HCP-YA和AABC上訓練，共計2286例，年齡跨度22至90歲。這種設計使得模型能夠從無標註的三維腦部MRI中學習到豐富的結構和語義資訊。
研究者在三個下游任務上評估了COJEPA的效能：零樣本雙胞胎檢索、腦腫瘤分割（BraTS 2024）和年齡迴歸（OpenBHB）。COJEPA在同卵雙胞胎檢索中以rank@1召回率0.84領先，這意味著在給定一個受試者的情況下，模型能夠以84%的機率正確識別其同卵雙胞胎。在年齡迴歸任務中，微調後的平均絕對誤差僅2.55年，為最佳結果，表明模型能夠準確預測個體的年齡。在BraTS全腫瘤分割Dice係數上，COJEPA與純對比損失方法持平，達到了0.85以上的Dice得分。這些結果充分表明，聯合目標能夠產生既具判別性又保持區域性結構的優質表徵。
該工作為醫學影像自監督學習提供了新思路，尤其在標註成本高昂的場景下，COJEPA有望推動腦部MRI分析的發展。未來研究可進一步探索其在其他模態如fMRI、DTI以及疾病診斷如阿爾茨海默病、精神分裂症等中的應用。此外，COJEPA的框架也可推廣到其他三維醫學影像如CT掃描。