肺结节细分和不确定区域预测与不确定性意识注意力机制

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 放射科医生对肺结节的注释由于不同的培训和经验而表现出变化,导致细分不确定性.
• 传统的细分方法往往无法利用多个注释中的全部信息,例如共识和分歧的领域.

研究的目的:

• 开发一种新的方法,有效地利用多个放射科医生注释之间的共识和分歧,以改善肺结节细分.
• 引入一个不确定性意识注意机制 (UAAM) 和一个不确定性指南多信任细分网络 (UGMCS-Net) 来解决细分不确定性.

主要方法:

• 提出了一个不确定性意识注意力机制 (UAAM),结合多信心面罩 (MCM) 与低信心 (LC) 和高信心 (HC) 面罩.
• 设计了不确定性指南多信任细分网络 (UGMCS-Net),其中包括特征提取,不确定性意识和交叉联盟约束模块.
• 在从LIDC-IDRI获得的复杂节点验证数据集上验证了UGMCS-Net,专注于难以分割的节点.

主要成果:

• 拟议的UAAM和UGMCS-Net有效地利用来自多个注释的共识和不同意见信息.
• 实验结果显示,细分性能显著改善,特别是对于传统方法具有挑战性的肺结节.
• 在分段化中,MCM有效地区分了高和低信心区域.

结论:

• UAAM和UGMCS-Net通过考虑观察者之间的变异性,为肺结节细分提供了一种优越的方法.
• 这种方法在细分复杂的肺结节方面表现出更高的准确性和稳定性,解决了当前深度学习模型的关键局限性.
• 拟议的框架为提高临床实践中自动化肺结节细分的可靠性提供了有价值的工具.