保持语义的变换在医学超声自监督学习中的有效性
图像与视频处理
2025-06-12 v2 计算机视觉与模式识别
机器学习
摘要
数据增强是联合嵌入自监督学习（SSL）的核心组件。适用于自然图像的方法在医学成像任务中并不总是有效。本研究系统地调查了肺部超声 SSL 中数据增强和预处理策略的影响。评估了三种数据增强流水线：（1）跨成像领域常用的基线流水线，（2）专为超声设计的保持语义的新颖流水线，以及（3）从两种流水线中提取的最有效变换的精炼集合。预训练模型在多个分类任务上进行了评估：B 线检测、胸腔积液检测和 COVID-19 分类。实验表明，保持语义的数据增强在 COVID-19 分类（一项需要全局图像上下文的诊断任务）中取得了最佳性能。基于裁剪的方法在 B 线和胸腔积液目标分类任务（需要强局部模式识别）中取得了最佳性能。最后，保持语义的超声图像预处理提高了多个任务的下游性能。我们为在超声中使用 SSL 的从业者综合了关于数据增强和预处理策略的指导。
引用
@article{arxiv.2504.07904,
title = {The Efficacy of Semantics-Preserving Transformations in Self-Supervised Learning for Medical Ultrasound},
author = {Blake VanBerlo and Alexander Wong and Jesse Hoey and Robert Arntfield},
journal= {arXiv preprint arXiv:2504.07904},
year = {2025}
}
备注
17 pages, 12 figures, 18 tables, Submitted to Medical Image Analysis