基于监督注意力多示例学习从多视图超声图像检测心脏病
图像与视频处理
2024-04-08 v3 人工智能
计算机视觉与模式识别
机器学习
摘要
主动脉瓣狭窄（AS）是一种退行性瓣膜疾病，导致严重的发病与死亡。该疾病诊断不足且治疗不足。在临床实践中，AS通过专家对经胸超声心动图（transthoracic echocardiography）的审阅来诊断，其产生数十张心脏超声图像。其中仅部分视图显示主动脉瓣。为实现AS的自动筛查，深度网络必须学习模仿人类专家识别主动脉瓣视图的能力，然后在这些相关图像上聚合以产生检查级诊断。我们发现既往AS检测方法因依赖不灵活的图像间平均而精度不足。我们进一步发现，现成的基于注意力的多示例学习（MIL）表现不佳。我们提出了一种具有两项关键方法创新的端到端MIL方法。首先，一种监督注意力技术引导所学注意力机制偏好相关视图。其次，一种新颖的自监督预训练策略对整项检查的表示（而非既往文献常用的单个图像）应用对比学习。在开放获取数据集与外部验证集上的实验表明，我们的方法在减小模型规模的同时获得了更高精度。
引用
@article{arxiv.2306.00003,
title = {Detecting Heart Disease from Multi-View Ultrasound Images via Supervised Attention Multiple Instance Learning},
author = {Zhe Huang and Benjamin S. Wessler and Michael C. Hughes},
journal= {arXiv preprint arXiv:2306.00003},
year = {2024}
}
备注
Echocardiogram; multiple-instance learning; self-supervised learning; semi-supervised learning; medical imaging