FeaCL:使用特征级和实例级对比度学习的超声波图像对状腺斑块进行分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心血管疾病研究研究

背景情况:

• 从超声波图像中准确地分类 carotid 斑块对于预测心血管和脑血管疾病风险至关重要.
• 深度学习模型显示出有希望的结果,但受到有限的标记性带斑块图像数据集的阻碍.

研究的目的:

• 引入一种新型的自我监督学习技术,FeaCL (特征级和实例级对比学习),以提高带斑块分类的准确性.
• 为了应对有限的标记数据在训练深度学习模型进行动脉斑块分析的挑战.

主要方法:

• 在FeaCL中,使用强增强和弱增强的三重网络作为借口任务来学习强大的动脉斑块表示.
• 该方法在同一图像的不同增强视图中促进了功能和实例相似性.
• 从借口任务中预先训练的编码器在标记的超声波图像上进行微调,用于下游分类任务.

主要成果:

• 通过使用仅30%的培训数据,FeaCL实现了83.4%的分类准确度.
• 这与没有自我监督的借口任务训练的模型相比,相当于16.3%的显著改善.
• 该方法表明,即使有有限的标记数据,也能有效地学习状腺斑块特征.

结论:

• 从超声波图像来看,FeaCL显著提高了状腺斑块分类的准确性,特别是在低数据模式下.
• 自主监督方法有效地学习有意义的表示,改善临床医生的诊断能力.
• 这种技术为患有动脉疾病的患者的风险分层和治疗计划提供了宝贵的工具.