超声图像分析基础模型挑战赛的基线方法
计算机视觉与模式识别
2026-02-03 v1
摘要
超声（US）成像在不同解剖结构和获取协议之间呈现显著的异质性，这对开发通用分析模型构成重大挑战。大多数现有方法针对特定任务设计，难以作为临床可部署的基础模型。为此，Foundation Model Challenge for Ultrasound Image Analysis（FM\_UIA~2026）引入了包含 27 个子任务的大规模多任务基准，涵盖分割、分类、检测和回归。本文基于统一的多头多任务学习（Multi-Head Multi-Task Learning, MH-MTL）框架，提出 FM\_UIA~2026 的官方基线模型。该模型采用 ImageNet 预训练的 EfficientNet-B4 作为特征提取器，结合特征金字塔网络（Feature Pyramid Network, FPN）以捕获多尺度上下文信息。任务特定路由策略使全局任务能够利用高级别语义特征，而稠密预测任务则利用 FPN 的空间细节表示。训练过程中引入复合损失函数，采用任务自适应学习率缩放和余弦退火调度策略。验证结果表明，统一设计在可行性和鲁棒性方面均表现出色，为超声图像基础模型研究奠定了强大且可扩展的基线。该项目代码与数据集已公开于 GitHub。
引用
@article{arxiv.2602.01055,
title = {Baseline Method of the Foundation Model Challenge for Ultrasound Image Analysis},
author = {Bo Deng and Yitong Tang and Jiake Li and Yuxin Huang and Li Wang and Yu Zhang and Yufei Zhan and Hua Lu and Xiaoshen Zhang and Jieyun Bai},
journal= {arXiv preprint arXiv:2602.01055},
year = {2026}
}