超声序列中基于对比表征学习的半监督解剖结构跟踪

基于摘要分析。该研究针对超声（US）图像质量低、解剖结构跟踪依赖密集人工标注的问题，提出半监督跟踪方法 SSAT-US，旨在仅需每条超声序列少量监督的条件下实现实时跟踪。主要贡献是结合自监督对比学习与置信度感知伪标签，利用未标注数据学习跟踪表征。 机制上，方法首先使用自监督对比学习（SSCL）和超声专用数据增强，预训练具有判别性的图像块特征表征；随后通过置信度感知伪标签模块筛选可靠训练样本对，开展半监督训练。摘要未提供增强操作、正负样本构造、置信度计算、监督量或具体损失形式。 作者报告，在涉及不同解剖结构的临床及公开数据集评估中，SSAT-US 获得 EAO 0.832、Rob 0.000、Acc 0.812；在具有挑战性的未见数据集上，获得 EAO 0.472、Rob 0.329、Acc 0.789。这里的指标保留原文缩写，不将 Acc 等同于分类 Accuracy；其定义、方向、数据集名称、划分及对照基线尚未验证，不能据此量化相对提升。作者据此认为方法具有准确、稳健且不依赖特定解剖结构的实时跟踪能力，但摘要未给出运行速度或硬件条件，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 研究借鉴的是“对比表征预训练＋可靠伪标签筛选”的少标注学习机制，而非解剖结构跟踪本身。迁移假设依赖 EEG 时间窗中存在可保留任务语义的增强方式及可校准的伪标签置信度；需将图像块编码和超声增强改造为时序、多通道表征与增强。低信噪比、被试差异和通道变化可能使错误伪标签被持续强化，小数据也可能导致置信度失准。可在固定 Cross-subject 划分和相同目标被试标注预算下，比较仅监督训练、加入对比预训练及进一步加入置信度筛选的效果，并隔离测试数据。该机制在 EEG 中的已有相关工作尚未检索确认。