SK-Unet++:一个改进的Unet++网络,具有适应性受体场,用于超声波甲状腺结节图像的自动细分
1Department of Ultrasound Medicine, Hunan Provincial Peoples Hospital, Changsha, China.
Medical physics
|August 22, 2023
概括
这项研究介绍了SK-Unet++,这是一种深度学习模型,可以在超声波图像中准确地分割甲状腺结节,提高诊断准确度并减少临床医生的工作量. 这种新型网络通过结合适应受体场和选择性内核注意力机制来增强细分.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 在超声波图像中精确细分甲状腺结节对于预防癌症至关重要.
- 由于图像噪声,低对比度和模糊的结节边缘,目前的方法面临挑战,影响诊断准确度.
研究的目的:
- 在超声波图像中提高甲状腺结节细分的准确性.
- 为了解决当前细分技术的局限性,帮助临床诊断.
主要方法:
- 开发了一个新的深度学习架构SK-Unet++,将选择性内核 (SK) 注意力机制和自适应性受体场集成到Unet++网络中.
- 该模型在3572张甲状腺超声波图像上进行了训练和验证.
- 性能通过使用子相似系数 (Dsc),准确性 (Acc),精度 (Pre),回忆 (Re) 和豪斯多夫距离来评估,统计学意义通过配对的t测试和FDR校正来评估.
主要成果:
- SK-Unet++实现了高细分性能,其Acc为80.6%,Dsc为84.7%,Pre为77.5%,Re为71.7%,平均豪斯多夫距离为15.80毫米.
- 废弃性研究证实了每个网络模块对性能增强的贡献 (p < 0.05).
- SK-Unet++显著优于现有的最先进的方法,提供了更准确的细分轮.
结论:
- 在超声波图像中,SK-Unet++证明了甲状腺结节的有效和可行的自动细分.
- 这种方法的高精度可以提高患者查效率.
- 这种方法有望减少临床医生和放射科医生在甲状腺结节诊断中的工作量.
