# 利用先验知识

从数据里榨出更多养分的那个不算秘密的技巧

Canonical: https://astro-blog-bice-chi.vercel.app/cn/blog/prior-knowledge

Edition: cn · Language: zh-CN · Revision: 2026-10-21

Published: 2026-10-21

相信我，我**确实**相信 scaling law——也就是数据加算力便足够的那套范式。

“更少的结构，更多的智能”[^1]，这个想法很吸引我。

**但是**，我们还没走到那一步，至少医学影像领域还没有。

所以，我们还是得利用先验知识（也就是领域知识），来提高训练效率和数据利用率。

在深入医学影像的具体例子之前，我想先指出：

## [许多自然图像的计算机视觉任务也在利用先验知识](https://astro-blog-bice-chi.vercel.app/cn/blog/prior-knowledge#%E8%AE%B8%E5%A4%9A%E8%87%AA%E7%84%B6%E5%9B%BE%E5%83%8F%E7%9A%84%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%A7%86%E8%A7%89%E4%BB%BB%E5%8A%A1%E4%B9%9F%E5%9C%A8%E5%88%A9%E7%94%A8%E5%85%88%E9%AA%8C%E7%9F%A5%E8%AF%86)

1.  在我看来，姿态关键点检测依赖的是 **人为定义的**骨架结构解读 节点和边放在哪里，很大程度上由应用需求决定 ，而不是自然学习得到的表示。
2.  BEV 特征聚合由人工计算的极线一致性预先定义。
3.  说到自动驾驶，这篇在 Transformer 位置编码中对坐标系进行建模的目标轨迹预测论文，就很有意思[^2]。

## [放射科医生利用先验知识构建更好的可视化](https://astro-blog-bice-chi.vercel.app/cn/blog/prior-knowledge#%E6%94%BE%E5%B0%84%E7%A7%91%E5%8C%BB%E7%94%9F%E5%88%A9%E7%94%A8%E5%85%88%E9%AA%8C%E7%9F%A5%E8%AF%86%E6%9E%84%E5%BB%BA%E6%9B%B4%E5%A5%BD%E7%9A%84%E5%8F%AF%E8%A7%86%E5%8C%96)

1.  曲面多平面重建（CPR）和拉直多平面重建（sMPR）常用于诊断冠状动脉疾病。这些技术本质上是沿着一个平面，把三维血管展开成一条直线，去掉海量三维体素中的其他信息，让血管的结构和内部情况更容易解读。
    
    ![曲面多平面重建（CPR）与拉直多平面重建（sMPR）](https://astro-blog-bice-chi.vercel.app/assets/blog/image-prior/cpr.webp)
    
    [上：CPR，下： sMPR](https://www.researchgate.net/figure/Stretched-multiplanar-reformation-sMPR-and-curved-multiplanar-reformation-cMPR-images_fig3_344468596)
    
2.  类似地，肋骨展开可视化能让人更容易、更快地定位肋骨骨折，即使不是专家也一样。
    
    ![肋骨展开可视化](https://astro-blog-bice-chi.vercel.app/assets/blog/image-prior/rib.webp)
    
    [右下角是肋骨展开后的 可视化](https://link.springer.com/article/10.1007/s00330-015-3598-2)
    

## [医学图像分析中的例子](https://astro-blog-bice-chi.vercel.app/cn/blog/prior-knowledge#%E5%8C%BB%E5%AD%A6%E5%9B%BE%E5%83%8F%E5%88%86%E6%9E%90%E4%B8%AD%E7%9A%84%E4%BE%8B%E5%AD%90)

> 还有**很多**——这里只列举几个我这些年遇到的例子

1.  乳腺 X 线摄影中的肿块检测：肿块特征应当在多个视图之间相互关联
    
    ![乳腺 X 线影像中的跨视图肿块检测](https://astro-blog-bice-chi.vercel.app/assets/blog/image-prior/mammo.webp)
    
    [Cross-view Correspondence Reasoning based on Bipartite Graph Convolutional Network for Mammogram Mass Detection](https://openaccess.thecvf.com/content_CVPR_2020/papers/Liu_Cross-View_Correspondence_Reasoning_Based_on_Bipartite_Graph_Convolutional_Network_for_CVPR_2020_paper.pdf)
    
2.  CT 中的椎骨定位与识别：各节椎骨应当沿脊柱形成一条连贯的中心线
    
    ![CT 中的椎骨定位与识别](https://astro-blog-bice-chi.vercel.app/assets/blog/image-prior/spine.webp)
    
    [Automatic Vertebra Localization and Identification in CT by Spine Rectification and Anatomically-constrained Optimization](https://arxiv.org/pdf/2012.07947)
    
3.  可疑淋巴结的恶性预测：应当考虑周围淋巴结的情况
    
    ![胰腺癌中的淋巴结转移预测](https://astro-blog-bice-chi.vercel.app/assets/blog/image-prior/PDAC.webp)
    
    [A deep local attention network for pre-operative lymph node metastasis prediction in pancreatic cancer via multiphase CT imaging](https://arxiv.org/pdf/2301.01448)
    
4.  血管中心线提取：用图（节点）来建模，比用分割（体素）更容易、效果也更好
    
    ![血管中心线提取](https://astro-blog-bice-chi.vercel.app/assets/blog/image-prior/vessel.webp)
    
    [DeformCL: Learning Deformable Centerline Representation for Vessel Extraction in 3D Medical Image](https://arxiv.org/pdf/2506.05820)
    

更不用说，算法也会建立在那些为方便人类解读而设计的专门重建结果之上。放射科医生更容易辨认的东西，模型也更容易学会，这并不让人意外。

## [利用先验知识，到底是在做什么？](https://astro-blog-bice-chi.vercel.app/cn/blog/prior-knowledge#%E5%88%A9%E7%94%A8%E5%85%88%E9%AA%8C%E7%9F%A5%E8%AF%86%E5%88%B0%E5%BA%95%E6%98%AF%E5%9C%A8%E5%81%9A%E4%BB%80%E4%B9%88)

本质上，利用先验知识，就是以“张量亲和关系”的形式，把有生物学、物理学或病理学依据的知识带入模型：

1.  选择一个抽象层次：像素空间、空间特征空间、语义特征空间、实例特征空间，等等。
2.  以启发式的方式设定 “通信规则” 用注意力图来称呼更合适，但可能会让读者误以为一切都在用 Transformer （哪些张量应该与哪些张量通信）
3.  选择一种通信方式（特征聚合）——默认选项是 Transformer
4.  注意，结果可能会 变换到一个全新的空间 流形（manifold） ，比如从稠密像素变成稀疏节点，反过来也一样

## [医学影像中的先验知识](https://astro-blog-bice-chi.vercel.app/cn/blog/prior-knowledge#%E5%8C%BB%E5%AD%A6%E5%BD%B1%E5%83%8F%E4%B8%AD%E7%9A%84%E5%85%88%E9%AA%8C%E7%9F%A5%E8%AF%86)

关于人体，我们最应该利用的先验是**解剖先验**：

*   **标志点**：关键的解剖参考点
*   **相对稳定性**：身体各部位之间的位置和形状关系保持相对稳定
*   **对称性**：许多结构具有左右对称性
*   **拓扑结构**：这一点我觉得特别有意思，但研究还不够充分。大多数方法假设的拓扑过于简单，再用贝蒂数等数学工具来建模

第二重要的先验是**人体的生物系统**：

*   影响某个生物系统的疾病，往往会同时影响该系统的多个部分

出处与延伸

## 参考资料

[^1]: Don’t teach. Incentivize: [https://docs.google.com/presentation/d/1nnjXIuN2XDJENAOaKXI5srQscO3276svvP6JgivTv6w/edit?usp=sharing](https://docs.google.com/presentation/d/1nnjXIuN2XDJENAOaKXI5srQscO3276svvP6JgivTv6w/edit?usp=sharing)

[^2]: [https://zhuanlan.zhihu.com/p/1892544718539306231](https://zhuanlan.zhihu.com/p/1892544718539306231)