基于自监督学习的超声肾功能异常预测
图像与视频处理
2025-12-16 v1 计算机视觉与模式识别
摘要
妊娠期超声是检测肾脏和尿路先天异常的基石，但诊断受限于操作依赖性和次优的成像条件。我们旨在评估自监督超声基础模型用于自动化胎儿肾功能异常分类的性能，使用包含 969 张二维超声图像的精选数据集。我们采用预训练的 Ultrasound Self-Supervised Foundation Model with Masked Autoencoding (USF-MAE) 对正常肾脏、尿路扩张和多囊肾发育不良进行二分类和多分类进行微调。模型与 DenseNet-169 卷积基准进行比较，使用交叉验证和独立测试集。USF-MAE 在所有评估指标上在二分类和多分类设置中均优于基准。在验证集上， USF-MAE 相较于基准实现了约 1.87%（AUC）和 7.8%（F1-score）的提升； 在独立 holdout 测试集上， 实现了 2.32%（AUC）和 4.33%（F1-score）的提升。 在多分类设置中， AUC 提升了 16.28%， F1-score 提升了 46.15%。为促进模型可解释性，我们将 Score-CAM 可视化方法 adapted for transformer architecture， 并表明模型预测受已知临床相关肾结构影响， 包括尿路扩张中的肾盂和多囊肾发育不良中的囊性区域。这些结果表明， 超声特定的自监督学习可生成有用的表征， 作为下游诊断任务的基础。该提出框架提供了一个稳健、可解释的方法， 支持妊娠期肾功能异常的检测， 并展示了基础模型在产科成像中的潜力。
引用
@article{arxiv.2512.13434,
title = {Self-Supervised Ultrasound Representation Learning for Renal Anomaly Prediction in Prenatal Imaging},
author = {Youssef Megahed and Inok Lee and Robin Ducharme and Kevin Dick and Adrian D. C. Chan and Steven Hawken and Mark C. Walker},
journal= {arXiv preprint arXiv:2512.13434},
year = {2025}
}
备注
14 pages, 8 figures, 4 tables