用于肺部超声视频时空分析的对比自监督学习
图像与视频处理
2023-10-18 v1
摘要
自监督学习（SSL）方法通过习得有意义的视觉表示，即使在标注数据有限时，也已在医学影像应用中展现出前景。在此，我们将最先进的对比学习 SSL 方法拓展至 2D+时间医学超声视频数据，引入一种经修改的编码器与增强方法，能够习得有意义的时空表示，且无需对输入数据施加约束。我们在一个具挑战性的临床任务上评估我们的方法：识别超声视频中的肺实变（一种重要病理特征）。利用从超 500 名患者采集的、含逾 27k 段肺部超声视频的多中心数据集，我们表明我们的方法可显著提升下游肺实变定位与分类性能。与未经 SSL 训练的基线模型相比，所提方法在标注训练数据规模有限时（例如仅训练集的 5%）尤为有利。
引用
@article{arxiv.2310.10689,
title = {Contrastive Self-Supervised Learning for Spatio-Temporal Analysis of Lung Ultrasound Videos},
author = {Li Chen and Jonathan Rubin and Jiahong Ouyang and Naveen Balaraju and Shubham Patil and Courosh Mehanian and Sourabh Kulhare and Rachel Millin and Kenton W Gregory and Cynthia R Gregory and Meihua Zhu and David O Kessler and Laurie Malia and Almaz Dessie and Joni Rabiner and Di Coneybeare and Bo Shopsin and Andrew Hersh and Cristian Madar and Jeffrey Shupp and Laura S Johnson and Jacob Avila and Kristin Dwyer and Peter Weimersheimer and Balasundar Raju and Jochen Kruecker and Alvin Chen},
journal= {arXiv preprint arXiv:2310.10689},
year = {2023}
}
备注
ISBI 2023, 2023 IEEE 20th International Symposium on Biomedical Imaging (ISBI)