评估用于左心室分割和射血分数估计的下游提取策略的自我监督超声心动图表征

自监督学习 (SSL) 越来越多地用于医学成像，以减少注释要求，但表示质量通常是使用单个下游评估设置来判断的。对于密集的临床任务，这可能会混淆表示质量与用于恢复任务相关信息的下游模型的能力。我们对 EchoNet-Dynamic 上心尖四腔超声心动图的左心室分割和射血分数 (EF) 估计的自我监督表示进行了系统评估。我们不依赖单个下游探针，而是比较具有增加表达能力的提取策略的层次结构：没有掩模监督训练的启发式提取、冻结线性探针、冻结轻量级解码器探针和部分 微调。我们将此框架应用于两个互补的表示系列：具有无标签（DINOv3）功能的通用冻结自我 蒸馏 和任务适应的密集自监督表示，引导您自己的分割（BYOS）。在这两个家族中，启发式提取大大低估了从冻结表示中可恢复的内容。对于 DINOv3，性能从启发式提取下的 Dice 0.684 和 EF 平均绝对误差 (MAE) 13.01 提高到使用冻结轻量级解码器的 Dice 0.906 和 EF MAE 9.65，接近有监督的 U-Net 基线（Dice 0.915、EF MAE 9.72）。对于 BYOS，性能从启发式提取下的 Dice 0.687 和 EF MAE 17.83 提高到具有冻结轻量级解码器的 Dice 0.902 和 EF MAE 8.74。这些结果表明，关于密集超声心动图分析中自监督表示质量的结论在很大程度上取决于用于评估的下游提取策略。因此，我们认为多策略评估是密集医学图像分析中 SSL 的重要方法论考虑因素。