超声视频的自监督表示学习

深度学习的近期进展在医学图像分析中取得了有前景的性能,而在大多数情况下需要来自人类专家的 ground-truth 标注来训练深度模型。实践中,此类标注收集昂贵且对医学成像应用可能稀缺。因此,从未经标注的原始数据学习表示具有显著意义。在本文中,我们提出一种自监督学习方法,以从医学成像视频中学习有意义且可迁移的表示,而无需任何类型的人类标注。我们假设,为学习此类表示,模型应从无标注数据中识别解剖结构。因此我们迫使模型解决解剖感知任务,并从数据本身获得免费监督。具体而言,模型被设计为修正被重排视频片段的顺序,同时预测应用于该视频片段的几何变换。在胎儿超声视频上的实验表明,所提方法能有效学习有意义且强大的表示,其能很好地迁移到下游任务如标准平面检测与显著性预测。