一种用于提高超声 B 模式图像分割泛化能力的自监督框架
计算机视觉与模式识别
2025-02-05 v1 人工智能
机器学习
摘要
超声（US）成像因其无创和安全的特性，在临床上具有不可估量的价值。然而，解读超声图像具有挑战性，需要大量的专业知识与时间，并且常常容易出错。深度学习提供了辅助解决方案，例如分割。监督方法依赖于大规模、高质量且标注一致的数据集，而这类数据集的整理颇具挑战。此外，这些方法在分布外数据上往往表现不佳，限制了其临床实用性。自监督学习（SSL）已成为一种有前景的替代方案，它利用无标签数据来提升模型性能和泛化能力。我们引入了一种为 B 模式超声图像量身定制的对比式 SSL 方法，其中包含一种新颖的关系对比损失（RCL）。RCL 通过一个可学习的度量来区分正负样本对，从而鼓励学习独特的特征。此外，我们提出了针对超声图像表示学习的空间和频域增强策略。我们的方法在三个公开的乳腺超声数据集上，显著优于传统的监督分割方法，尤其是在数据有限的场景下。在 Dice 相似性指标上的显著改进包括：在 BUSI 数据集的 20% 和 50% 上分别提升了 4%；在 BrEaST 数据集的 20% 和 50% 上分别提升了近 6% 和 9%；在 UDIAT 数据集的 20% 和 50% 上分别提升了 6.4% 和 3.7%。此外，我们在分布外的 UDIAT 数据集上展示了卓越的泛化能力，与使用 20% 和 50% 的 BUSI 和 BrEaST 训练数据的监督基线相比，性能分别提升了 20.6% 和 13.6%。我们的研究强调，领域启发的 SSL 可以改善超声分割，尤其是在数据有限的条件下。
引用
@article{arxiv.2502.02489,
title = {A Self-Supervised Framework for Improved Generalisability in Ultrasound B-mode Image Segmentation},
author = {Edward Ellis and Andrew Bulpitt and Nasim Parsa and Michael F Byrne and Sharib Ali},
journal= {arXiv preprint arXiv:2502.02489},
year = {2025}
}
备注
12