有限数据下用于超声心动图分割的对比预训练
图像与视频处理
2022-07-15 v3 计算机视觉与模式识别
机器学习
摘要
对比学习已在许多标注数据获取受限的应用中被证明有用。标注数据的缺乏在医学图像分割中尤为棘手，因为让临床专家手动标注大量数据（如心脏超声图像中的心脏结构）十分困难。在本文中，我们提出一种自监督对比学习方法，在仅有少量标注图像时对超声心动图中的左心室进行分割。此外，我们研究了对比预训练对两种知名分割网络 UNet 与 DeepLabV3 的影响。我们的结果表明，对比预训练有助于提升左心室分割性能，尤其在标注数据稀缺时。我们展示了如何以自监督方式训练模型并在仅 5% 的数据上微调，取得与最先进全监督算法相当的结果。我们表明我们的方案在大型公开数据集（EchoNet-Dynamic）上优于当前已发表结果，取得 0.9252 的 Dice 分数。我们还在另一较小数据集（CAMUS）上比较了方案性能，以证明所提方案的泛化性。代码见 (https://github.com/BioMedIA-MBZUAI/contrastive-echo)。
引用
@article{arxiv.2201.07219,
title = {Contrastive Pretraining for Echocardiography Segmentation with Limited Data},
author = {Mohamed Saeed and Rand Muhtaseb and Mohammad Yaqub},
journal= {arXiv preprint arXiv:2201.07219},
year = {2022}
}