USCL：通过视频对比表征学习预训练深度超声图像诊断模型
计算机视觉与模式识别
2021-09-03 v2 人工智能
摘要
大多数基于深度神经网络（DNNs）的超声（US）医学图像分析模型使用预训练骨干网络（如 ImageNet）以获得更好的模型泛化能力。然而，自然图像与医学图像之间的领域差距导致了不可避免的性能瓶颈。为缓解该问题，我们构建了一个名为 US-4 的超声数据集，用于在同一领域上直接预训练。它包含来自四个超声视频子数据集的超过 23,000 张图像。为从 US-4 中学习鲁棒特征，我们提出一种名为 USCL 的超声半监督对比学习方法用于预训练。为避免负对之间的高相似度并从有限的超声视频中挖掘丰富的视觉特征，USCL 采用一种样本对生成方法，以丰富单次对比优化步骤中所涉及的特征。在多个下游任务上的大量实验表明，USCL 预训练优于 ImageNet 预训练及其他最先进（SOTA）预训练方法。特别地，USCL 预训练骨干网络在 POCUS 数据集上达到了超过 94% 的微调准确率，比 ImageNet 预训练模型的 84% 高出 10%。本工作的源代码可在 https://github.com/983632847/USCL 获取。
引用
@article{arxiv.2011.13066,
title = {USCL: Pretraining Deep Ultrasound Image Diagnosis Model through Video Contrastive Representation Learning},
author = {Yixiong Chen and Chunhui Zhang and Li Liu and Cheng Feng and Changfeng Dong and Yongfang Luo and Xiang Wan},
journal= {arXiv preprint arXiv:2011.13066},
year = {2021}
}