基于乳腺超声视频流和自监督对比学习的肿瘤良恶性分类系统

• 全文链接
• 请求原文

作   者：

唐蕴芯;  廖梅;  张艳玲;  张建;  陈皓;  王炜; 

作者机构：

南京大学物理学院;  杭州精康科技;  中山大学附属第三医院; 

关键词：

自监督学习;  乳腺超声;  深度学习;  对比学习;  预训练模型;  三胞胎网络; 

期刊名称：

南京大学学报(自然科学)

i s s n：

0469-5097

年卷期：

2024 年 60 卷 001 期

页   码：

26-37

摘   要：

乳腺超声广泛应用于乳腺肿瘤诊断,基于深度学习的肿瘤良恶性分类模型可以有效地辅助医生诊断,提高效率,降低误诊率,然而,由于标注数据的高成本问题,限制了此类模型的开发和应用.为此,从乳腺超声视频中构建了无标注预训练数据集,包含11805个目标样本数据和动态生成的正、负样本数据集(样本量分别为188880和1310355个).基于该数据集,搭建了三胞胎网络并进行了自监督对比学习.此外,还发展了 Hard Negative Mining和Hard Positive Mining方法来选取困难的正负样本构建对比损失函数,加快模型收敛.参数迁移后,将三胞胎网络在SYU数据集上进行微调和测试.实验结果表明,与基于ImageNet预训练的若干SOTA模型以及与前人针对乳腺超声的多视图对比模型相比,提出的三胞胎网络模型具有更强的泛化能力和更好的分类性能.此外,还测试了模型对标注数据量的需求下限,发现仅使用96个标注数据,模型性能即可达到AUC=0.901,敏感度为0.835.