USFM：面向标签高效图像分析的通用超声基础模型，泛化至多种任务与器官

跨不同器官和任务的泛化能力不足限制了超声（US）图像分析方法在智慧医疗中的应用。构建通用超声基础模型有望解决这些问题。然而，此类基础模型的开发面临超声分析中的固有挑战，即数据库不足、质量低和特征无效。本文提出一个通用超声基础模型USFM，可泛化至多种任务和器官，实现标签高效的超声图像分析。首先，构建了一个大规模多器官、多中心、多设备超声数据库，全面包含超过两百万张超声图像。采用器官平衡采样以实现无偏学习。然后，USFM在充足的超声数据库上进行自监督预训练。为从低质量超声图像中提取有效特征，我们提出了一种空间-频率双掩码图像建模方法。设计了一种高效的空间噪声添加-恢复方法以鲁棒地学习有意义的超声信息，同时采用一种新颖的频率带阻掩码学习方法以提取复杂、隐式的灰度分布和纹理变化。在来自不同器官和疾病的分割、分类和图像增强等多种任务上进行了大量实验。与代表性超声图像分析模型的比较说明了USFM的通用性和有效性。标签效率实验表明，USFM仅使用20%的标注即可获得稳健性能，为超声模型在临床实践中的快速开发奠定了基础。