形状边缘知识增强网络用于甲状腺结节细分和诊断
Weihua Liu1, Chaochao Lin2, Duanduan Chen3
1School of Medical Technology, Beijing Institute of Technology, 5 Zhongguancun South Street, Haidian, 100081, Beijing, China; AthenaEyesCO., LTD., Building 14, No. 39 Jianshan Road, Changsha, 410205, Hunan, China.
Computer methods and programs in biomedicine
|January 9, 2024
概括
这项研究介绍了SkaNet,这是一种新型的深度学习模型,它集成了甲状腺结节细分和诊断. 斯卡网通过分析形状和边缘特征来提高诊断准确性,改进计算机辅助诊断系统.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 瘤学 诊断 诊断 瘤学
背景情况:
- 甲状腺结节的细分和诊断对于准确的医学评估至关重要.
- 当前的计算机辅助诊断系统通常将细分和诊断视为单独的任务,导致潜在的错误积累.
- 甲状腺成像报告和数据系统 (TI-RADS) 强调了形状和边缘特征在区分甲状腺结节中的重要性.
研究的目的:
- 开发一个统一的框架,整合甲状腺结节细分和诊断.
- 通过将形状和边缘特征纳入联合学习过程,利用TI-RADS洞察力.
- 提高甲状腺结节分析在计算机辅助诊断中的准确性和解释性.
主要方法:
- 提出了SkaNet,一个形状边缘知识增强网络,用于同时细分和诊断.
- 采用双分支架构,为两个任务共享功能,结合卷积和自我注意地图.
- 引入了一个指数混合模块,用于增强的区分特征和知识增强的多任务损失,具有嵌入形状和边缘特征的约束惩罚术语.
主要成果:
- 在公共 (DDTI) 和地方甲状腺超声波数据集上评估SkaNet.
- 与最先进的方法相比,表现显著改善.
- 验证了将细分和诊断与知识增强相结合的有效性.
结论:
- 斯卡网成功地将甲状腺结节细分和诊断结合在一个统一的,知识增强的框架内.
- 该模型有效地捕捉了关键的形状和边缘特征,以改善良性与恶性歧视.
- 这种方法为计算机辅助诊断系统提供了有希望的进步,特别是在联合细分和诊断任务方面.
