TARDis：时间衰减表示解耦用于不完整多模态肿瘤分割与分类
计算机视觉与模式识别
2026-03-02 v3
摘要
对比增强计算机断层扫描(CT)中肿瘤的准确诊断与分割，根本上依赖于对比剂随时间的独特血流动力学特征。然而，在真实的临床实践中，由于严格的辐射剂量限制和各机构之间不一致的采集方案，完整的时间动力学往往难以捕获，导致普遍存在的缺失模态问题。现有的深度学习方法通常将缺失相位视为缺失的独立通道，忽略了血流动力学固有的时间连续性。在这项工作中，我们提出了时间衰减表示解耦(TARDis)，一种新颖的物理感知框架，将缺失模态重新定义为连续时间衰减曲线上的缺失采样点。我们首先假设潜在特征可解耦为时间不变的静态分量（解剖结构）和时间相关的动态分量（灌注）。我们通过双路径架构实现这一点：一条基于量化的路径使用可学习嵌入字典提取一致的解剖结构，另一条概率路径使用血流动力学条件变分自编码器根据估计的扫描时间建模动态增强。该设计允许网络通过从学习到的潜在分布中采样来推断缺失的血流动力学特征。在大规模多模态私有腹部CT数据集（2,282名患者）和两个公开数据集上的广泛实验表明，TARDis显著优于现有的不完整模态框架。值得注意的是，我们的方法即使在极端数据稀疏场景下仍保持稳健的诊断性能，突显了其在降低辐射暴露的同时保持诊断精度的潜力。
引用
@article{arxiv.2512.04576,
title = {TARDis: Time Attenuated Representation Disentanglement for Incomplete Multi-Modal Tumor Segmentation and Classification},
author = {Zishuo Wan and Qinqin Kang and Na Li and Yi Huang and Qianru Zhang and Le Lu and Yun Bian and Dawei Ding and Ke Yan},
journal= {arXiv preprint arXiv:2512.04576},
year = {2026}
}