Intra-video Positive Pairs in Self-Supervised Learning for Ultrasound

自监督学习（SSL）是一种解决医学影像中标记数据不足的策略，它通过学习未标记图像的表示来实现。对比和非对比的SSL方法生成的学习表示对于相关图像对来说是相似的。这些图像对通常是通过随机扭曲同一图像两次来构建的。超声的视频特性为定义图像对之间的相似关系提供了灵活性。在这项研究中，我们调查了利用同一B模式超声视频中的近距离、不同图像作为SSL图像对的效果。此外，我们引入了一种样本加权方案，增加了更接近的图像对的权重，并展示了如何将其集成到SSL目标中。该方法被命名为Intra-Video Positive Pairs (IVPP)，在POCUS数据集上的COVID-19分类中，其平均测试准确率超过了先前的超声特定对比学习方法$\ge 1.3\%$。IVPP超参数的详细研究揭示了一些IVPP超参数的组合可以导致性能的改善或恶化，这取决于下游任务。基于结果综合了从业者的指南，例如IVPP与特定任务超参数的优点，以及与非对比方法相比，超声对比方法的性能提高。

本论文旨在解决医学影像中标记数据不足的问题，通过自监督学习从未标记的影像中学习表示。同时，研究探讨了利用同一B模式超声视频中的邻近、不同的图像对进行自监督学习的效果，并提出了一种样本加权方案来增加邻近图像对的权重。

论文的关键思路是使用同一B模式超声视频中的邻近、不同的图像对进行自监督学习，并提出了一种样本加权方案来增加邻近图像对的权重。该方法在COVID-19分类任务中表现优异，超过了之前的超声特定对比学习方法。

论文使用了名为Intra-Video Positive Pairs（IVPP）的方法来进行自监督学习，并提出了一种样本加权方案来增加邻近图像对的权重。实验结果表明，IVPP方法在COVID-19分类任务中表现优异。论文提出了一些关于IVPP超参数的指导方针，例如IVPP与特定任务的超参数相结合可以提高性能。此外，论文还指出，相比于非对比方法，超声特定对比学习方法在超声图像中表现更好。

最近的相关研究包括使用对比学习进行自监督学习的方法，以及使用超声图像进行COVID-19分类的研究。例如，标题为“Self-Supervised Learning for Medical Imaging: A Review”的综述研究了医学影像中的自监督学习方法，而标题为“COVID-19 Detection in Chest X-Ray Images using a New Faster CNN Model”和“Deep Learning Models for COVID-19 Detection and Diagnosis Using Chest X-Ray Images and CT Scans: A Systematic Review and Meta-Analysis”的研究则探讨了使用X射线和CT扫描图像进行COVID-19分类的方法。