解剖锚定的自我监督：提取不变超声表示的视觉基础模型

自监督 预训练 范式在学习医学成像中的可转移表示方面越来越受到重视，但现有的超声 (US) 图像方法在图像或帧级别上运行，忽略了临床对齐表示学习的解剖背景。在这项工作中，我们提出了一种基于解剖学的超声自我监督框架 ANAUS，它将表征学习从通用视觉区域转变为具有临床意义的解剖结构。利用可学习的潜在提示引擎以及对现有公共图像掩模对的一次性域适应，我们使 LP-SAM 模块能够大规模实现无注释的解剖描绘。在此解剖基础上，我们提出了一种双策略自我监督学习范式，包括视图间语义感知解剖分离对齐和上下文核心区域预测，以增强表示学习。具体来说，前者强制相同解剖区域内的特征不变性，同时促进不同结构之间的可区分性；后者迫使模型重建损坏的区域，从而捕获细粒度的结构细节。对六个公共数据集的广泛评估表明，ANAUS 始终超越当前最先进的方法，同时保持临床部署所需的计算效率。代码可在 https://github.com/zhcz328/ANAUS 获取。