EchoFM：面向可泛化超声心动图分析的基础模型
计算机视觉与模式识别
2025-01-30 v2
摘要
基础模型因其在多种任务和数据分布上的泛化能力与适应性，近来受到广泛关注。尽管医学基础模型已经出现，但针对心脏影像，尤其是超声心动图视频的解决方案仍未被探索。本文提出 EchoFM，一个专为表示和分析超声心动图视频而设计的基础模型。在 EchoFM 中，我们提出了一种自监督学习框架，通过时空一致性掩码策略和周期驱动的对比学习，捕捉空间和时间变异性模式。该框架能有效捕捉超声心动图的时空动态，并在无任何标签的情况下学习具有代表性的视频特征。我们在一个包含超过 290,000 个超声心动图视频的庞大数据集上预训练模型，该数据集覆盖了不同成像模式下的 26 个扫描切面，总计高达 2000 万帧图像。预训练后的 EchoFM 可轻松适配并微调用于多种下游任务，充当稳健的骨干模型。我们系统性地设计了超声心动图检查流程后的四项下游任务进行评估。实验结果表明，EchoFM 在所有下游任务上均超越了当前最优方法，包括专门的超声心动图方法、自监督预训练模型以及通用预训练基础模型。
引用
@article{arxiv.2410.23413,
title = {EchoFM: Foundation Model for Generalizable Echocardiogram Analysis},
author = {Sekeun Kim and Pengfei Jin and Sifan Song and Cheng Chen and Yiwei Li and Hui Ren and Xiang Li and Tianming Liu and Quanzheng Li},
journal= {arXiv preprint arXiv:2410.23413},
year = {2025}
}