NEMESIS：抑制噪声、高效的 MAE 架构及增强超块集成策略

体积 CT 成像是临床诊断中必不可少的技术，但对 3D 体积标注昂贵且耗时，这催生了从无标签数据中进行自监督学习（SSL）的动机。然而，由于全体积变换器的高内存开销以及 CT 数据的各向异性空间结构，这些因素未能被常规掩码策略有效捕捉，导致将 SSL 应用于 3D CT 仍面临挑战。我们提出了 NEMESIS，一种基于掩码自编码器（MAE）的框架， operates on local 128×128×128 超块，实现内存高效训练，同时保留解剖细节。NEMESIS 引入了三个关键组件：（i）噪声增强的重建作为预文本任务，（ii）掩码解剖变换器块（Masked Anatomical Transformer Blocks, MATB），通过平行的平面级和轴级 token 删除实现双掩码，（iii）NEMESIS Tokens（NT）用于跨尺度上下文聚合。在 BTCV 多器官分类基准上，采用冻结主干网络和线性分类器的 NEMESIS 在平均 AUROC 上达到 0.9633，超越了全参数微调的 SuPreM（0.9493）和 VoCo（0.9387）。在仅使用 10% 可用标注的低标签场景下，仍保持 AUROC 为 0.9075，显示出强大的标签效率。此外，超块设计将前向传播计算成本降低至 31.0 GFLOPs，而全体积基线为 985.8 GFLOPs，为 3D 医学影像提供了可扩展且稳健的基础。