医療画像解析の分野では、ラベル付きデータの不足と高い取得コストが大きな課題となっています。本研究は、これらの課題に対応するため、自己教師あり学習を活用した新たなフレームワーク「COJEPA」を提案しています。COJEPAは、脳のボリューメトリックMRI画像を対象とした自己教師あり学習の枠組みで、結合埋め込み予測アーキテクチャ（JEPA）と対照的損失（CO）を組み合わせることで、局所的な予測性と大域的な識別可能性という2つの相補的特性を実現します。 このモデルは、HCP-YAおよびAABCという2つのコホート（合計2286人、年齢22～90歳）のT1強調構造的MRIを使用して、ラベルなしで訓練されました。既存のI-JEPAを3次元に拡張し、前景認識型ブロックマスキング、階層的畳み込みパッチ埋め込み、および世界座標系の正弦波位置エンコーディングが導入されています。 評価は、一卵性双生児検索（zero-shot twin retrieval）、脳腫瘍セグメンテーション（BraTS 2024）、および年齢回帰（OpenBHB）の3つのタスクで実施されました。COJEPAは、一卵性双生児検索でrank@1において0.84という最高のリコールを達成し、年齢予測ではOpenBHB 3.0Tで平均絶対誤差が2.55年という最良の結果を得ています。また、BraTS全腫瘍Diceスコアではコントラスティブ損失と同等の性能を示しており、結合目的関数が識別性と局所的構造性を同時に備えた表現を生成できることを実証しています。