OpenUS：基于自适应掩码对比学习的全开源超声图像分析基础模型
计算机视觉与模式识别
2025-11-17 v1
摘要
超声( US)是最常用的医学影像模态之一，由于成本低、便携、实时反馈及无离子辐射等优势广受使用。然而 US 图像解读高度依赖操作员，在不同解剖区域、获取协议和设备类型之间差异显著。这些变异以及独特挑战如散粒、低对比度及有限标准化标注，阻碍了通用、标签高效超声 AI 模型的开发。本文提出 OpenUS，首个建立在大规模公共数据之上的可复现、全开源超声基础模型。OpenUS 采用视觉 Mamba 骨干网络，捕获图像中的局部及全局长程依赖。为提取预训练期间丰富特征，我们引入新颖的自适应掩码框架，将对比学习与掩码图像建模相结合。该策略将教师网络的注意力图与学生网络的重建损失集成，自适应细化临床相关掩码，以提升预训练效果。OpenUS 还应用动态学习计划，逐步调整预训练过程的难度。为构建基础模型，我们汇集了目前规模最大的公共超声数据集，包含 30.8 万张图像，涵盖 42 个公开数据集，覆盖多种解剖区域、机构、影像设备及疾病类型。我们预训练的 OpenUS 模型可作为骨干网络轻松适配到特定下游任务，实现标签高效的微调。代码已公开于 https://github.com/XZheng0427/OpenUS。
引用
@article{arxiv.2511.11510,
title = {OpenUS: A Fully Open-Source Foundation Model for Ultrasound Image Analysis via Self-Adaptive Masked Contrastive Learning},
author = {Xiaoyu Zheng and Xu Chen and Awais Rauf and Qifan Fu and Benedetta Monosi and Felice Rivellese and Myles J. Lewis and Shaogang Gong and Gregory Slabaugh},
journal= {arXiv preprint arXiv:2511.11510},
year = {2025}
}