用于乳腺超声诊断的自监督病灶识别
图像与视频处理
2022-04-20 v1 计算机视觉与模式识别
摘要
以往基于深度学习的计算机辅助诊断(CAD)系统将同一病灶的多个视图视为独立图像。由于超声图像仅描述三维病灶的局部二维投影，这种范式忽略了病灶不同视图之间的语义关系，与传统中超声医师从至少两个视图分析病灶的诊断方式不一致。本文提出一种多任务框架，以病灶识别(LR)补充良/恶性分类任务，从而利用单病灶多视图间的关系学习病灶的完整表示。具体而言，LR 任务采用对比学习，鼓励将同一病灶的多个视图拉近、不同病灶的视图推远。因此该任务促成的表示不仅对病灶的视图变化具有不变性，还能捕捉细粒度特征以区分不同病灶。实验表明，所提多任务框架提升了良/恶性分类性能，因为两个子任务互补并增强了超声图像的学习表示。
引用
@article{arxiv.2204.08477,
title = {Self Supervised Lesion Recognition For Breast Ultrasound Diagnosis},
author = {Yuanfan Guo and Canqian Yang and Tiancheng Lin and Chunxiao Li and Rui Zhang and Yi Xu},
journal= {arXiv preprint arXiv:2204.08477},
year = {2022}
}
备注
4pages. Accepted by ISBI2022