SSPFormer：用于MRI图像的自监督预训练Transformer
计算机视觉与模式识别
2026-01-21 v1
摘要
预训练Transformer在自然图像处理中展现出卓越的泛化能力。然而，将其直接迁移到磁共振图像面临两个关键挑战：无法适应医学解剖结构的特异性，以及医学数据的隐私和稀缺性带来的限制。为了解决这些问题，本文提出了一种用于MRI图像的自监督预训练Transformer（SSPFormer），它通过利用未标记的原始成像数据，有效地学习了医学图像的领域特定特征表示。为了应对领域差距和数据稀缺性，我们引入了逆频率投影掩蔽，优先重建高频解剖区域以强制执行结构感知表示学习。同时，为了增强对真实世界MRI伪影的鲁棒性，我们采用了频率加权FFT噪声增强，将生理上真实的噪声注入傅里叶域。这些策略共同使模型能够直接从原始扫描中学习领域不变和伪影鲁棒的特征。通过在分割、超分辨率和去噪任务上的大量实验，所提出的SSPFormer实现了最先进的性能，充分验证了其捕获细粒度MRI图像保真度和适应临床应用需求的能力。
引用
@article{arxiv.2601.12747,
title = {SSPFormer: Self-Supervised Pretrained Transformer for MRI Images},
author = {Jingkai Li and Xiaoze Tian and Yuhang Shen and Jia Wang and Dianjie Lu and Guijuan Zhang and Zhuoran Zheng},
journal= {arXiv preprint arXiv:2601.12747},
year = {2026}
}
备注
Undergraduate student as first author submitted to IJCAI