技术摘要：3D CT-GraphEdgeMAE

问题陈述

计算机断层扫描（CT）异常检测对于早期诊断恶性肿瘤至关重要，但目前的各种方法面临着重大障碍。监督式深度学习方法（如 3D U-Net 变体）过度依赖于劳动密集型的体素级标注，而这类标注在临床环境中非常稀缺。虽然像掩码自编码器（MAE）和视觉 Transformer（ViT）这样的自监督方法减少了对标注的需求，但在应用于 3D CT 数据时，它们面临着高昂的计算成本和内存需求。具体而言，ViT 和 MAE 中的注意力机制会随补丁（patch）数量呈平方级（$O(N^2)$）增长，导致处理高分辨率 3D 体积数据时出现“计算爆炸”。此外，这些基于补丁的方法往往无法捕捉 3D 结节固有的显式局部关系和拓扑结构，例如边缘浸润以及肿瘤与周围组织之间的空间连续性。作者认为，现有的基于图的方法（如 GraphMAE）通常掩盖节点而非边，未能显式地建模对结节检测至关重要的体素块之间的关系。

方法论

本文提出了 3D CT-GraphEdgeMAE，这是一个专为小规模数据集和资源受限环境设计的端到端自监督框架。该方法将 3D CT 体积转换为图，其中体素作为节点，空间/特征相似性定义边。该框架由五个核心组件组成：

1. 3D CT 图构建：

   • 节点： 该方法并非使用 2D 补丁或预分割的解剖结构，而是将 3D 体素视为节点。
   • 特征： 节点特征通过结合统计、位置、纹理、拓扑、可学习及可扩展特征的混合策略进行初始化。
   • 边： 边基于空间距离和特征相似度进行构建，从而保留 CT 扫描的空间体积结构。

2. 边掩码策略：

   • 与 GraphMAE 掩盖节点不同，3D CT-GraphEdgeMAE 掩盖的是边。这一做法的动机在于观察到结节跨越多个具有空间梯度特征的体素；掩盖边可以显式地迫使模型学习体素块之间的关系，而不仅仅是学习块本身。

3. 编码器 (GCN)：

   • 使用图卷积网络（GCN）作为编码器。作者选择 GCN 而非图注意力网络（GAT），是为了避免与动态邻接计算相关的计算开销和过拟合风险。GCN 通过多跳学习渐进且隐式的特征，为边预测提供上下文关系。

4. 解码器：

   • 解码器预测两个节点（$v_i, v_j$）之间被掩盖边的存在性。
   • 它采用了一种结合哈达玛积（Hadamard product）和子图相似度的联合机制。它提取掩盖节点周围的子图，计算其相似度，并应用哈达玛积来对来自所有层级的多粒度信息进行去噪和整合。这旨在处理 CT 图像中固有的噪声和模糊问题。

5. 损失函数：

   • 训练目标结合了两种损失：
     • 拓扑感知对比损失（Topology-aware Contrastive Loss）： 将掩盖边端点所在的连通子图内的节点视为正样本，将外部节点视为负样本。这使得相似的拓扑结构相互靠近。
     • 拓扑一致性重建损失（Topology-consistence Reconstruction Loss）： 使用 0 维持久图（0-dimensional persistence diagrams）来衡量原始图与掩盖图之间的拓扑距离，确保重建过程保留了病灶的全局拓扑结构。

核心贡献

• 以边为中心的掩码： 提出在图自编码器中掩盖边而非节点，以显式建模体素块之间的关系，解决了节点掩码方法在捕捉局部病理特征方面的局限性。
• 高效架构： 通过集成 GCN 编码器与专门的解码器（哈达玛积 + 子图相似度），实现了线性复杂度（$O(|E|)$），相比于基于注意力的 Transformer 的平方级复杂度，显著降低了计算开销。
• 小规模数据的有效性： 该方法专门针对小规模数据集（如 88 例）进行训练优化，证明了无需大规模预训练数据集或高端 GPU 集群即可实现高性能异常检测。
• 新颖的损失函数： 引入了结合子图连通性和持久同调（persistent homology）的联合拓扑感知对比-重建损失，以提高病灶特征的清晰度和边界定义。

实验结果

该方法在 LUNA16 数据集（包含 888 例低剂量肺部 CT 扫描的 LIDC-IDRI 子集）上进行了评估。

• 训练效率：

  • 在使用 Apple M2 (8GB RAM) 处理 88 例病例的小型子集时，所提方法仅需 25 分钟 完成训练。
  • 相比之下，基准模型 MAE 需要 30 小时，DrasCLR 需要 35 小时。
  • 在 888 例病例的全量数据集上，所提方法比基准模型减少了 30 倍 的训练时间，并将计算成本降低了 68%。

• 性能（结节检测）：

  • 在 88 例病例子集上，该方法达到了 0.779 的 CPM（检测得分），在 888 例全量数据集上达到了 0.822。
  • 这些结果与最先进的基准模型具有竞争力：
    • DeepLung (3D CNN): 0.819 (88 例) / 0.958 (888 例)。
    • GraphMAE: 0.755 (88 例) / 0.793 (888 例)。
    • DrasCLR: 0.682 (88 例) / 0.762 (888 例)。
  • 作者指出，尽管使用了显著更少的资源和更小的训练集，其方法在基准模型中排名第二，并可与单阶段结节检测模型相媲美。

• 消融实验：

  • 掩码策略： 边掩码的表现优于未掩码和节点掩码策略。
  • 解码器： 联合解码器（哈达码积 + 子图相似度）的表现明显优于仅使用 MLP、哈达玛积或仅使用子图相似度的变体。
  • 损失函数： 联合对比-重建损失比单独使用其中任一损失组件的效果更好。
  • 数据规模： 小规模（88 例）与大规模（888 例）训练之间的性能差距微乎其微，验证了该方法从有限数据中有效学习的能力。

重要性与主张

论文声称 3D CT-GraphEdgeMAE 为资源受限环境下的 3D CT 异常检测提供了可行的解决方案。通过从重度依赖注意力的、基于补丁的 Transformer 转向基于图的边掩码方法，该方法成功地将高性能与对大规模数据集及高端计算硬件的需求解耦。

作者强调，其方法：

1. 促进技术普及： 使在消费级硬件（如 Apple M2）和小型临床数据集上进行有效训练成为可能，让缺乏 A100/RTX4090 集群的环境也能获得先进的异常检测技术。
2. 保留拓扑结构： 显式建模 3D 结节的空间和拓扑关系，而这些关系在 2D 补丁或节点掩码方法中往往会丢失。
3. 减少二次伤害： 通过提高模糊或噪声图像上的检测准确性，且无需重新检查（从而避免额外的辐射暴露），该方法解决了关键的临床需求。

研究结论认为，结合了拓扑感知图结构的自监督学习在小规模数据集上的表现，可以达到与大规模预训练范式相媲美的水平，这标志着高效医学图像分析迈出了重要一步。