使用超声特异性自监督学习对早孕期胎儿心脏视图进行自动分类
图像与视频处理
2026-01-01 v1 人工智能
计算机视觉与模式识别
摘要
先天性心脏病仍然是最常见的先天性异常，也是新生儿发病率和死亡率的主要原因。尽管早期胎儿超声心动图提供了更早检测的机会，但由于心脏结构小、信噪比低以及操作者间差异大，此阶段的自动分析具有挑战性。在这项工作中，我们评估了一种自监督超声基础模型 USF-MAE，用于早期胎儿心脏视图分类。USF-MAE 使用掩码自编码器建模在超过 370,000 张涵盖 40 多个解剖区域的无标签超声图像上进行预训练，随后针对下游分类任务进行微调。作为概念验证，预训练的 Vision Transformer 编码器在一个包含 6,720 张早期胎儿超声心动图图像的公开数据集上进行了微调，以分类五个类别：主动脉、房室血流、V 征、X 征和其他。模型性能以监督卷积神经网络基线（ResNet-18 和 ResNet-50）以及在自然图像（ImageNet-1k）上预训练的 Vision Transformer (ViT-B/16) 模型为基准进行对比。所有模型均使用相同的预处理、数据划分和优化协议进行训练和评估。在一个独立的测试集上，USF-MAE 在所有评估指标上均取得了最高性能，准确率为 90.57%，精确率为 91.15%，召回率为 90.57%，F1 分数为 90.71%。与最强基线 ResNet-18 相比，准确率提高了 +2.03%，F1 分数提高了 +1.98%。所提出的方法在不依赖激进的图像预处理或感兴趣区域裁剪的情况下展示了稳健的性能，并显示出对非诊断帧的区分能力有所提高。
引用
@article{arxiv.2512.24492,
title = {Automated Classification of First-Trimester Fetal Heart Views Using Ultrasound-Specific Self-Supervised Learning},
author = {Youssef Megahed and Aylin Erman and Robin Ducharme and Mark C. Walker and Steven Hawken and Adrian D. C. Chan},
journal= {arXiv preprint arXiv:2512.24492},
year = {2026}
}
备注
7 pages, 4 figures