arXiv cs.AI· Hao Zhang, Yi Huang, Wei Liu, Yuan Gao, Zeju Li, Xu Han, Yu Shi, Ling Zhang, Ke Yan·· 3 天前AI 评分18
LiFUSE：面向非增强 CT 肝病分析的频率-空间统一自监督预训练
LiFUSE: Frequency-Spatial Unified Self-Supervised Pretraining for Liver Disease Analysis on Non-contrast CT
AI 导读
针对非增强 CT（NCCT）组织对比度低、难以识别肝脏病灶的问题，研究者提出 LiFUSE 自监督预训练框架，其频率分支用随机带阻掩码与频谱重建捕捉病灶与周围组织的细微差异，空间分支做混合粒度掩码体素重建以适配不同大小和形态的病灶，并通过跨域一致性方案耦合两个分支。
正文 · AI 翻译
摘要：鉴于全球肝肿瘤和弥漫性肝病的负担日益加重，非增强计算机断层扫描（NCCT）因其成本低、安全性好而被越来越多地用于机会性筛查。然而，由于 NCCT 固有的组织对比度低、缺乏血流动力学增强以及解剖背景复杂，肿瘤检测和细粒度疾病诊断等下游任务仍具挑战性。这些局限性使得细微、异质性和多灶性肝脏病变难以识别。尽管大规模自监督预训练可以从无标注 NCCT 扫描中学习稳健的表征，但传统的体素级重建并未充分利用 NCCT 中可用的互补信息。在弱 NCCT 对比度下，低层强度模式对病理识别的信息量降低，限制了病变特异性判别特征的捕获。本文提出了肝脏频率-空间统一自监督预训练（LiFUSE）。频率分支应用随机带阻掩蔽和频谱重建，以促使模型捕获病变与周围组织之间的细微差异，而空间分支执行混合粒度掩蔽体积重建，以适应不同大小和形态的病变。最后，跨域一致性方案将空间分支和频率分支耦合，为肝脏结构和病变产生更具判别性的表征。在内部队列的三个临床相关任务以及一个公共目标域迁移设置上的大量实验表明，LiFUSE 始终优于强基线。这些结果表明，统一的频率-空间学习可以改善 NCCT 上的肝病分析，凸显其大规模筛查的潜力。
| 评论： | 已被 2026 年 IEEE 国际生物信息学与生物医学会议（BIBM 2026）接收 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.18243 [cs.CV] |
| （或 arXiv:2610.18243v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.18243 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Hao Zhang [查看邮箱]
[v1]
2026 年 10 月 13 日星期二 12:08:56 UTC（6,320 KB）
来源：arXiv cs.AI · arxiv.org