基于统计依赖引导对比学习的产前超声多标注
计算机视觉与模式识别
2022-05-23 v3
摘要
标准平面识别在产前超声（US）筛查中起着重要作用。自动识别 US 图像中的标准平面及相应解剖结构，不仅有助于 US 图像解读，也可提高诊断效率。本研究中，我们构建了一种新颖的多标签学习（MLL）方案，以同时识别胎儿多个标准平面及相应解剖结构。我们的贡献有三方面。首先，我们用词嵌入表示类相关性，以捕获细粒度语义与潜在统计并发性。其次，我们为 MLL 配备图卷积网络以探索类别间内部与外部关系。第三，我们提出一种新颖的基于聚类重标的对比学习算法，以鼓励模糊类别间的差异性。我们在大型内部数据集上进行了广泛验证。我们的方法在标准平面标注上取得最高准确率 90.25%，在平面与结构标注上达 85.59%，mAP 为 94.63%。所提 MLL 方案为标准平面识别提供了新视角，并可轻易推广到其他医学图像分类任务。
引用
@article{arxiv.2108.05055,
title = {Statistical Dependency Guided Contrastive Learning for Multiple Labeling in Prenatal Ultrasound},
author = {Shuangchi He and Zehui Lin and Xin Yang and Chaoyu Chen and Jian Wang and Xue Shuang and Ziwei Deng and Qin Liu and Yan Cao and Xiduo Lu and Ruobing Huang and Nishant Ravikumar and Alejandro Frangi and Yuanji Zhang and Yi Xiong and Dong Ni},
journal= {arXiv preprint arXiv:2108.05055},
year = {2022}
}
备注
Accepted by MICCAI-MLMI 2021