MLMSeg:用于超声波甲状腺结节细分的多视图学习模型
Guanyuan Chen1, Guanghua Tan1, Mingxing Duan1
1College of Computer Science and Electronic Engineering, Hunan University, Changsha 410000, China.
Computers in biology and medicine
|January 4, 2024
概括
这项研究介绍了MLMSeg,这是一种新的多视图学习模型,用于在超声图像中准确地细分甲状腺结节. MLMSeg显著提高了细分性能,有助于早期诊断和结节的特征.
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:
- 准确的甲状腺结节细分对于区分良性和恶性结节至关重要.
- 由于有限的视觉学习,现有的深度学习方法在复杂的超声环境中与多尺度节点细分作斗争.
研究的目的:
- 开发一个多视图学习模型 (MLMSeg) 用于在超声波图像中增强甲状腺结节细分.
- 提高用于甲状腺结节分析的深度学习模型的准确性和稳定性.
主要方法:
- 引入了多视角学习模型 (MLMSeg),结合了当地,全球和结构视角.
- 利用深层卷积神经网络进行本地特征编码.
- 采用多通道变压器来实现全局视图相关性和跨层图形卷积模块来实现层间特征关系.
- 集成了一个通道感知图的注意力块,以实现有效的视图融合.
主要成果:
- 与14种基线方法相比,MLMSeg在两个甲状腺数据集上取得了更高的性能.
- 获得了高的子系数 (92.10%,83.84%) 和交叉在欧盟得分 (86.60%,73.52%).
- 对于不同尺寸的甲状腺结节具有显著的细分能力.
结论:
- MLMSeg在超声波图像的自动化甲状腺结节细分方面取得了重大进展.
- 该模型的准确性有助于结节的定位和精确的直径测量,支持临床诊断.
- 这种方法对早期和准确的甲状腺结节诊断具有重大临床意义.
