在超声波图像中实时可靠的甲状腺结节的语义细分
Guangxin Xing1, Shuaijie Wang2,3,4, Jie Gao2,3,4
1State Key Laboratory of Precision Measuring Technology and Instruments, Tianjin University, Tianjin, People's Republic of China.
Physics in medicine and biology
|December 4, 2023
概括
这项研究引入了一种快速而准确的深度学习模型,用于在超声波图像中对甲状腺结节进行细分. 全卷积密度扩展网络 (FCDDN) 显著提高了计算机辅助诊断的效率和准确性.
科学领域:
- 医疗成像医学成像
- 计算机辅助诊断 计算机辅助诊断
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 医疗图像细分,特别是超声波图像,面临效率和准确性方面的挑战,因为结节大小和位置的变化.
- 低分段效率阻碍了计算机辅助诊断 (CAD) 系统的发展.
研究的目的:
- 为超声波图像开发一种新的语义细分模型,以提高准确性和效率.
- 解决目前对分隔甲状腺结节的方法的局限性,旨在实现实时性能.
主要方法:
- 提出了一种新的层,整合了密集的连接性,扩展卷积和因子过器,以优化功能重用和计算效率.
- 实现了像素智能的损失函数优化,以进一步提高细分精度.
- 开发了全卷积密度扩展网络 (FCDDN) 架构.
主要成果:
- 在甲状腺数据集上实现了81.70%的IOU,90.50%的TPR和0.25%的FRP,超过了最先进的方法.
- 与现有方法相比,证明了显著更快的推断 (2x) 和参数的大幅减少 (近400x).
- 在外部甲状腺数据集上验证了可靠性,具有77.03%的IOU和82.10%的TPR.
结论:
- 拟议的FCDDN架构为超声波成像中的甲状腺结节提供了实时语义细分解决方案.
- 该模型的效率和准确性使其适合在资源有限的医疗设备上部署.
- 这一进步支持通过有效的医疗图像细分来改进计算机辅助诊断.
