基于语义分区对比学习的胸部 X 光表示学习
计算机视觉与模式识别
2026-03-25 v2
摘要
自监督学习 (SSL) 已成为在标注有限的情况下进行胸部 X 光 (Chest X-ray, CXR) 分析的强大范式。然而，现有的 SSL 策略对医学影像仍不理想。遮蔽图像建模在重建高频背景细节上分配了大量计算资源，而这些细节对诊断价值有限。对比学习另一方面常常依赖激进的增强变换，风险在于改变临床上有意义的结构。我们引入语义分区对比学习 (Semantic-Partitioned Contrastive Learning, S-PCL)，一个为 CXR 表示学习量身定制的高效预训练框架。不通过像素重建或依赖重型增强变换，S-PCL 随机将单个 CXR 的 patch token 分割为两个非重叠的语义子集。每个子集提供互为补充但不完整的视图。编码器必须最大化这些分区之间的一致性，隐式地从部分证据中推断全局解剖布局和局部病理线索。这种语义分区形成内部瓶颈，以强制长程依赖建模和结构一致性。S-PCL 消除了手工增强变换、辅助解码器和动量编码器的需求。 resulting architecture is streamlined, computationally efficient, and easy to scale. 在包括 ChestX-ray14、CheXpert、RSNA 肺炎和 SIIM-ACR 肺气肿等大型 CXR 数据集上进行的广泛实验表明，S-PCL 在实现竞争性能的同时，取得了最低的 GFLOPs 和最高的准确率。
引用
@article{arxiv.2603.07113,
title = {Efficient Chest X-ray Representation Learning via Semantic-Partitioned Contrastive Learning},
author = {Wangyu Feng and Shawn Young and Lijian Xu},
journal= {arXiv preprint arXiv:2603.07113},
year = {2026}
}