HTC-Net:基于剩余网络的哈西莫托的甲状腺炎超声波图像分类模型,通过道注意力机制加强

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 计算机辅助诊断 计算机辅助诊断

背景情况:

• 卷积神经网络 (CNN) 在空间特征提取方面表现出色,但在低回声超声图像中难以处理微妙的纹理.
• 在哈西莫托甲状腺炎 (HT) 超声图像中早期识别病变,由于质地信息不清晰,因此存在挑战.
• 类不平衡和难以分类的样本阻碍了现有模型的性能.

研究的目的:

• 提出HTC-Net,这是一个新的深度学习模型,用于增强分类哈西莫托甲状腺炎超声波图像.
• 改善在HT超声图像中早期病变的识别,特别是在具有挑战性的低回声区域.
• 为了解决数据不平衡,并提高难以取样的分类.

主要方法:

• 开发HTC-Net,该模型将剩余网络与道注意力机制集成在一起,以增强重要的功能.
• 实施强化道注意力机制,以增强高层次的语义信息,并抑制低层次的细节.
• 介绍了TanCELoss,这是一个具有动态调整重量因子的新型特征损失函数,用于管理样本分布.

主要成果:

• 在HT超声波图像中,HTC-Net在识别早期病变方面展示了最先进的 (STOA) 性能.
• 该模型有效地增强了关键特征,并专注于关键的图像领域,同时考虑了全球背景.
• 通过逐步转换难以分类的样本,TanCELoss成功地改善了样本分布.

结论:

• 通过超声波图像,HTC-Net在早期检测哈西莫托甲状腺炎的病变方面取得了重大进展.
• 该模型对具有有限数据样本的应用特别有希望.
• 频道注意力和新的损失函数的结合为医学图像分析提供了强大的方法.