3D 医学基础模型能否看穿 MRI 伪影？表示稳健性的对照研究

自监督 3D 医学基础模型越来越多地用作通用特征提取器，但它们对 MRI 伪影的敏感性仍然知之甚少。我们对跨越不同架构、目标、预训练域和数据集规模的五个预训练 3D 编码器的表示稳健性进行了受控评估。使用具有四个 MRI 序列的 BraTS-Africa 案例，我们在五个预定义的损坏设置下生成七个频域和图像域伪影。使用线性中心核对齐 (CKA)、RankMe 和 UMAP 评估稳健性，并辅以独​​立的分段一致性分析。我们发现鲁棒性强烈依赖于模型和工件。 3DINO 表现出最稳定的表征，而 BrainIAC 对多种损坏高度敏感； NeuroVFM、BrainFM 和 Neuro-SimCLR 显示中间但不同的伪影特定配置文件。在许多条件下，CKA 大幅下降，而 RankMe 保持相对稳定，这表明伪影通常会扭曲表示几何形状，而不会导致维度崩溃。分段一致性也会在损坏情况下降低，特别是对于重影和莱斯噪声，但仅部分与表示级鲁棒性保持一致。这些发现表明，在异构 MRI 设置中部署 3D 基础模型之前，单独进行更大规模或特定领域的预训练并不能保证伪影不变性，也不能激发明确的鲁棒性评估。