DPAM-PSPNet:基于双路注意力机制的甲状腺结节的超声波图像细分
Shuhuan Wang1, Zhiqing Li1, Lingmin Liao2
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, Liaoning 110169, People's Republic of China.
Physics in medicine and biology
|July 12, 2023
概括
一个新的深度学习模型,DPAM-PSPNet,在超声波图像中准确地细分甲状腺结节. 这种自动化系统精确地识别结节边界,以最小的训练数据帮助诊断恶性结节.
科学领域:
- 医学成像医学成像
- 人工智能的人工智能是人工智能.
- 深度学习是一种深度学习.
背景情况:
- 甲状腺结节的诊断依赖于放射科医生的手动细分,这是一个耗时和疲劳的过程.
- 甲状腺结节的准确细分对于准确的诊断和治疗计划至关重要.
研究的目的:
- 在超声波图像中开发一种用于精确分隔甲状腺结节的自动化系统.
- 引入一个深度学习模型,DPAM-PSPNet,用于准确细分恶性甲状腺结节.
主要方法:
- 在PSPNet中引入双路径注意力机制 (DPAM),以增强细分.
- 使用轻量级的跨道交互机制来捕获全球信息.
- 采用残留桥梁网络,专注于结节边缘和周围区域.
- 更新集成损失函数以支持DPAM-PSPNet模型.
主要成果:
- 与经典细分模型相比,DPAM-PSPNet实现了更高的性能.
- 该模型显示了高的评估指标:mIOU为0.8675,mPA为0.9357,mPrecision为0.9202,Dice系数为0.9213.
- 废除和泛化实验证实了双路注意力机制和新的损失函数的有效性.
结论:
- 在超声波图像中,DPAM-PSPNet有效地对甲状腺结节进行细分,即使训练数据有限.
- 该模型为甲状腺结节提供了准确的边界划分,支持临床诊断.
- 这种自动化方法可以减少放射科医生的工作量,提高诊断准确度.
