ترجمه فارسی مقاله استفاده از یادگیری خودنظارتی برای طبقه‌بندی صفحات قلبی جنین با استفاده از ویدیوهای اسکن اولتراسوند

چکیده

Self-supervised learning (SSL) methods are popular since they can address situations with limited annotated data by directly utilising the underlying data distribution. However, the adoption of such methods is not explored enough in ultrasound (US) imaging, especially for fetal assessment. We investigate the potential of dual-encoder SSL in utilizing unlabelled US video data to improve the performance of challenging downstream Standard Fetal Cardiac Planes (SFCP) classification using limited labelled 2D US images. We study 7 SSL approaches based on reconstruction, contrastive loss, distillation, and information theory and evaluate them extensively on a large private US dataset. Our observations and findings are consolidated from more than 500 downstream training experiments under different settings. Our primary observation shows that for SSL training, the variance of the dataset is more crucial than its size because it allows the model to learn generalisable representations, which improve the performance of downstream tasks. Overall, the BarlowTwins method shows robust performance, irrespective of the training settings and data variations, when used as an initialisation for downstream tasks. Notably, full fine-tuning with 1% of labelled data outperforms ImageNet initialisation by 12% in F1-score and outperforms other SSL initialisations by at least 4% in F1-score, thus making it a promising candidate for transfer learning from US video to image data.

چکیده به فارسی (ترجمه ماشینی)

روشهای یادگیری خود تحت نظارت (SSL) محبوب هستند زیرا می توانند با استفاده مستقیم از توزیع داده های اساسی ، موقعیت هایی را با داده های حاشیه نویسی محدود مورد بررسی قرار دهند.با این حال ، اتخاذ چنین روشهایی به اندازه کافی در تصویربرداری سونوگرافی (ایالات متحده) ، به ویژه برای ارزیابی جنین مورد بررسی قرار نمی گیرد.ما پتانسیل SSL دوگانه رمزگذار را در استفاده از داده های ویدئویی بدون برچسب ایالات متحده برای بهبود عملکرد طبقه بندی هواپیماهای قلبی استاندارد پایین دست (SFCP) با استفاده از تصاویر محدود 2D ایالات متحده بررسی می کنیم.ما 7 رویکرد SSL را بر اساس بازسازی ، از دست دادن متضاد ، تقطیر و نظریه اطلاعات مطالعه می کنیم و آنها را به طور گسترده در یک مجموعه داده بزرگ خصوصی ایالات متحده ارزیابی می کنیم.مشاهدات و یافته های ما از بیش از 500 آزمایش آموزش پایین دست تحت تنظیمات مختلف ادغام شده است.مشاهدات اصلی ما نشان می دهد که برای آموزش SSL ، واریانس مجموعه داده از اندازه آن بسیار مهم است زیرا به مدل اجازه می دهد تا بازنمایی های قابل تعویض را بیاموزد ، که عملکرد کارهای پایین دست را بهبود می بخشد.به طور کلی ، روش Barlowtwins بدون در نظر گرفتن تنظیمات آموزش و تغییرات داده ، عملکرد قوی را نشان می دهد ، در صورت استفاده به عنوان اولیه سازی برای کارهای پایین دست.نکته قابل توجه ، تنظیم کامل کامل با 1 ٪ از داده های برچسب زده شده از اولیه سازی Imagenet با 12 ٪ در نمره F1 و بالاتر از سایر اولیه سازی SSL با حداقل 4 ٪ در نمره F1 استفاده می کند ، بنابراین آن را به عنوان یک کاندیدای امیدوارکننده برای انتقال یادگیری از ایالات متحده به ما تبدیل می کند.داده های تصویر