掩码自编码器：解密肺间质疾病诊断
图像与视频处理
2025-08-07 v1 计算机视觉与模式识别
摘要
掩码自编码器（MAE）已成为在无标签数据上进行预训练的强大方法，能够学习稳健且富有信息的特征表示。这在肺部疾病研究中尤为有益，因为标注影像数据稀缺。为充分利用这一优势，我们在超过5,000例胸部CT扫描上训练MAE，包括自有数据以及来自其他展现类似放射学表现的疾病（如COVID-19和细菌性肺炎）的公开数据。随后，在下游分类任务上微调该MAE用于 diffuse lung disease诊断。我们的发现表明，MAE能够有效提取临床意义的特征，提升诊断性能，即使在缺乏大规模标注数据的情况下亦然。代码和模型已提供：https://github.com/eedack01/lung_masked_autoencoder。
引用
@article{arxiv.2508.04429,
title = {Unmasking Interstitial Lung Diseases: Leveraging Masked Autoencoders for Diagnosis},
author = {Ethan Dack and Lorenzo Brigato and Vasilis Dedousis and Janine Gote-Schniering and Cheryl and Hanno Hoppe and Aristomenis Exadaktylos and Manuela Funke-Chambour and Thomas Geiser and Andreas Christe and Lukas Ebner and Stavroula Mougiakakou},
journal= {arXiv preprint arXiv:2508.04429},
year = {2025}
}