AFiRe：面向放射影像细粒度表征的解剖驱动自监督学习

基于摘要分析。该研究针对放射影像自监督学习偏重全局区分、难以保留细粒度解剖信息的问题，提出 AFiRe，将解剖一致性与 Vision Transformer 的 token 处理机制结合，服务于放射影像分类和异常检测，而非直接研究 EEG 或 BCI。 方法包含两个协同的自监督方案：其一是 token 级解剖引导对比学习，依据结构与类别一致性对齐图像 token，以增强空间与解剖细节的区分能力；其二是像素级异常去除重建，聚焦局部异常，利用细致的几何信息完善表征。作者还提出 Synthetic Lesion Mask，旨在增加解剖变化的同时保持内部一致性，避免裁剪、仿射变换等增强可能破坏这种一致性。具体对齐规则、类别一致性的来源、异常构造方式及损失组合尚未验证。 作者报告，与先进对比学习方法相比，AFiRe 获得了更紧密的特征聚类；在有限标注的多标签分类任务中，优于 7 种放射影像专用自监督方法；在仅使用图像级标注的条件下，可利用细粒度信息开展异常检测。摘要未提供数据集名称、划分、标注比例、评价指标或具体分数，实验协议、消融及统计信息尚未验证，因而不能据此判断优势幅度或跨数据集稳定性。 平台推测（待验证）：其“局部结构一致性对齐与局部扰动重建”的组合可作为神经信号自监督学习的机制假设，但放射影像中的解剖位置与合成病灶不能直接等同于 EEG 的通道、时间片段或伪迹。若评估迁移，可保留 token 级对齐和重建目标，重新定义通道—时间 token、正样本对应关系及扰动规则；低信噪比、跨被试差异、通道布局变化和小数据可能使结构对齐失效，或误删任务相关活动。可在固定被试划分和标注预算下，对比全局对比学习、局部一致性目标及加入局部重建后的下游表现，以检验增益是否成立。已有 EEG 相关工作尚未检索确认。