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判别、难以充分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 处理方式结合，以支持少标签多标签分类和异常检测。 机制上，AFiRe 协同采用两种自监督任务：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，增强局部空间及解剖判别能力；二是像素级异常移除恢复，聚焦局部异常，通过恢复任务补充细致的几何信息。摘要未说明类别一致性的获取方式、异常构造细节及两项任务的具体损失与权重，这些内容尚未验证。 数据增强方面，作者提出 Synthetic Lesion Mask，目标是在保持内部一致性的同时增加解剖多样性。其动机是裁剪和仿射变换等传统增强可能破坏所需的一致性；具体生成过程及适用边界需结合全文核对。 作者报告，相比所比较的先进对比学习方法，AFiRe 形成更紧凑的特征簇；在有限标注的多标签分类任务中超过 7 种放射影像专用自监督方法；并可仅使用图像级标注进行异常检测。摘要未提供数据集、划分、标注比例、指标或数值，因此不能据此判断增益幅度或跨数据集泛化能力，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可考察的跨领域机制是以结构一致性约束局部表征，而不是直接复用放射影像病灶增强。假设 EEG 通道拓扑或时频局部结构能提供可靠对应关系，可尝试改造 token 对齐模块；像素恢复任务和 Synthetic Lesion Mask 则不能直接照搬。低信噪比、跨被试解剖与功能差异、通道布局变化及小数据均可能使局部对应失效。一个可证伪的小实验是在固定数据划分和相同骨干下，对比普通对比学习与加入通道拓扑一致性约束的预训练，检查跨被试任务增益是否稳定。已有 EEG 相关工作尚未检索确认。