通过多视图自监督学习与两阶段预训练改进甲状腺超声诊断
计算机视觉与模式识别
2024-02-20 v1
摘要
超声图像中的甲状腺结节分类与分割对于计算机辅助诊断至关重要，但由于标注数据不足，其面临局限性。在本研究中，我们提出了一种多视图对比自监督方法，旨在利用有限的人工标签提高甲状腺结节的分类和分割性能。我们的方法对齐同一结节的横切面和纵切面视图，从而使模型更专注于结节区域。我们设计了一种自适应损失函数，以消除成对数据的局限性。此外，我们采用两阶段预训练策略，以利用在 ImageNet 和甲状腺超声图像上的预训练成果。我们在一个来自多中心的大规模数据集上进行了广泛实验。结果表明，所提出的方法在有限人工标签的情况下显著提高了结节分类和分割性能，并优于最先进的自监督方法。两阶段预训练的效果也显著超过了 ImageNet 预训练。
引用
@article{arxiv.2402.11497,
title = {Thyroid ultrasound diagnosis improvement via multi-view self-supervised learning and two-stage pre-training},
author = {Jian Wang and Xin Yang and Xiaohong Jia and Wufeng Xue and Rusi Chen and Yanlin Chen and Xiliang Zhu and Lian Liu and Yan Cao and Jianqiao Zhou and Dong Ni and Ning Gu},
journal= {arXiv preprint arXiv:2402.11497},
year = {2024}
}
备注
The article has been accepted by the journal of Computers in Biology and Medicine