自监督对比特征学习的多模态乳腺超声诊断
超声图像的乳腺癌自动诊断具有重要的临床价值.然而,由于缺乏大量人工标注数据,构建高精度的自动诊断方法极具挑战.近年来,自监督对比学习在利用无标签自然图像产生具有辨别性和高度泛化性的特征方面展现出巨大潜力.然而,采用自然图像构建正负样本的方法在乳腺超声领域并不适用.为此,本文引入超声弹性图像(elastography ultrasound,EUS),利用超声图像的多模态特性,提出一种融合多模态信息的自监督对比学习方法.该方法采用同一病人的多模态超声图像构造正样本;采用不同病人的多模态超声图像构建负样本;基于模态一致性、旋转不变性和样本分离性来构建对比学习的目标学习准则.通过在嵌入空间中学习两种模态的统一特征表示,从而将EUS信息融入模型,提高了模型在下游B型超声分类任务中的表现.实验结果表明本文提出的方法能够在无标签的情况下充分挖掘多模态乳腺超声图像中的高阶语义特征,有效提高乳腺癌的诊断正确率.
自监督学习、对比学习、超声图像、弹性超声、B型超声、多模态、乳腺癌、计算机辅助诊断、深度学习
18
TP391(计算技术、计算机技术)
上海市自然科学基金20ZR1419900
2023-03-03(万方平台首次上网日期,不代表论文的发表时间)
共9页
66-74