基于超声视频自监督对比学习的乳腺肿瘤分类
计算机视觉与模式识别
2024-08-21 v1 人工智能
摘要
背景：乳腺超声在乳腺肿瘤诊断中被广泛使用。目前，许多基于深度学习的自动系统已被开发以辅助放射科医生进行诊断。然而，训练此类系统仍然具有挑战性，因为它们通常数据饥渴，需要大量标注数据，这需要专业知识且成本高昂。方法：我们采用三元组网络和自监督对比学习技术，从无标注的乳腺超声视频片段中学习表征。我们进一步设计了一种新的难三元组损失，以学习特别区分难以识别的正负图像对的表征。此外，我们从乳腺超声视频（200 名患者的 1,360 个视频）构建了一个预训练数据集，其中包括包含 11,805 张图像的正样本数据集、188,880 张图像的正样本数据集，以及从视频片段动态生成的负样本数据集。进一步地，我们构建了一个微调数据集，包括来自 66 名患者的 400 张图像。我们将预训练网络迁移到下游的良性/恶性分类任务，并与包括三个在 ImageNet 上预训练的模型和一个在我们数据集上重新训练的先前对比学习模型在内的其他最先进模型进行了比较。结果与结论：实验表明，我们的模型达到了受试者工作特征曲线下面积（AUC）为 0.952，显著优于其他模型。此外，我们评估了预训练模型对标注数据数量的依赖关系，发现少于 100 个样本即可达到 AUC 为 0.901。所提出的框架大大减少了对标注数据的需求，并有望用于自动乳腺超声图像诊断。
引用
@article{arxiv.2408.10600,
title = {Breast tumor classification based on self-supervised contrastive learning from ultrasound videos},
author = {Yunxin Tang and Siyuan Tang and Jian Zhang and Hao Chen},
journal= {arXiv preprint arXiv:2408.10600},
year = {2024}
}