利用自适应锁定不可知网络解锁心脏影像分析
计算机视觉与模式识别
2023-09-22 v1 人工智能
摘要
用于医学影像应用的深度学习模型的有监督训练需要大量标注数据。这构成了一种挑战，因为图像需由医学专业人员标注。为应对该限制，我们引入了自适应锁定不可知网络（ALAN），其概念是利用大型骨干模型进行自监督视觉特征提取，以产生解剖学上鲁棒的语义自分割。在 ALAN 方法中，这种自监督训练仅在一次大规模多样化数据集上完成。由于分割具有直观可解释性，面向特定任务的下游模型可使用参数很少的白盒模型轻松设计。这进而开启了向领域专家传达模型内部机制并引入先验知识的可能性。这也意味着与全监督方法相比，下游模型对数据的需求更少。这些特性使 ALAN 特别适合资源稀缺场景，如昂贵的临床试验与罕见病。本文中，我们将 ALAN 方法应用于三个公开超声心动图数据集：EchoNet-Dynamic、CAMUS 和 TMED-2。我们的发现表明，自监督骨干模型在心尖四腔心切面中鲁棒地识别心脏的解剖学子区域。在此基础上，我们设计了两个下游模型，一个用于分割目标解剖区域，另一个用于超声心动图切面分类。
引用
@article{arxiv.2309.11899,
title = {Unlocking the Heart Using Adaptive Locked Agnostic Networks},
author = {Sylwia Majchrowska and Anders Hildeman and Philip Teare and Tom Diethe},
journal= {arXiv preprint arXiv:2309.11899},
year = {2023}
}
备注
The article was accepted to ICCV 2023 workshop PerDream: PERception, Decision making and REAsoning through Multimodal foundational modeling