面向胎儿超声的解剖感知对比表示学习
计算机视觉与模式识别
2022-08-24 v1 图像与视频处理
摘要
自监督对比表示学习具有从带标签的医学数据集学习有意义视觉表示以用于迁移学习的优势。然而，将当前对比学习方法应用于医学数据而不考虑其领域特有解剖特征，可能导致外观与语义不一致的视觉表示。本文提出通过解剖感知对比学习（AWCL）改进医学图像视觉表示，该方法以对比学习方式融入解剖信息以增强正/负样本对采样。所提方法在自动化胎儿超声成像任务中得以验证，使来自相同或不同超声扫描但解剖相似的正样本对被拉近，从而改进表示学习。我们实证研究了在对比学习中引入粗粒度与细粒度解剖信息的效果，发现保留类内差异的细粒度解剖信息学习比粗粒度更有效。我们还分析了解剖比例对 AWCL 框架的影响，发现使用更多不同但解剖相似的样本组成正样本对可获得更高质量的表示。在大规模胎儿超声数据集上的实验表明，我们的方法能有效学习可良好迁移至三个临床下游任务的表示，且优于 ImageNet 监督学习与当前最先进对比学习方法。特别地，在跨域分割任务上，AWCL 比 ImageNet 监督方法高 13.8%，比最先进基于对比的方法高 7.1%。
引用
@article{arxiv.2208.10642,
title = {Anatomy-Aware Contrastive Representation Learning for Fetal Ultrasound},
author = {Zeyu Fu and Jianbo Jiao and Robail Yasrab and Lior Drukker and Aris T. Papageorghiou and J. Alison Noble},
journal= {arXiv preprint arXiv:2208.10642},
year = {2022}
}
备注
ECCV-MCV 2022