US-JEPA：用于医学超声的联合嵌入预测架构
计算机视觉与模式识别
2026-02-24 v1 人工智能
机器学习
摘要
超声（US）成像因其固有的噪声获取过程而面临表征学习的独特挑战。低信噪比和随机散斑图案阻碍了依赖像素级重建目标的标准自监督学习方法。联合嵌入预测架构（JEPAs）通过预测被遮盖的潜在表示而非原始像素，来缓解这一问题。然而，标准方法依赖于经验移动平均更新的在线教师，这种教师参数高度脆弱且计算成本高昂。我们提出 US-JEPA，一种自监督框架，采用 Static-teacher Asymmetric Latent Training（SALT）目标。通过使用冻结的、领域特定的教师提供稳定的潜在目标，US-JEPA 解耦了学生-教师优化，引导学生扩展教师语义先验。此外，我们提供了对 UltraBench 上所有公开最先进超声基础模型的首个严格比较。在线性探针用于多样化分类任务下，US-JEPA 的性能与领域特定和通用视觉基础模型基线相当或更优。我们的结果表明，masked latent prediction 为构建稳健的超声表征提供了高效且可靠的路径。
引用
@article{arxiv.2602.19322,
title = {US-JEPA: A Joint Embedding Predictive Architecture for Medical Ultrasound},
author = {Ashwath Radhachandran and Vedrana Ivezić and Shreeram Athreya and Ronit Anilkumar and Corey W. Arnold and William Speier},
journal= {arXiv preprint arXiv:2602.19322},
year = {2026}
}