SRT:甲状腺超声波图像中的良性和恶性结节分类的猪残留变压器

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的深度学习
• 计算机辅助诊断 (CAD) 是一种计算机辅助诊断.

背景情况:

• 甲状腺结节的诊断依赖于TI-RADS分类,通常是主观和劳动密集的.
• 深度学习和计算机视觉方面的进步,特别是变压器模型,为改善医疗图像分析提供了潜力.
• 目前的方法面临的挑战是观察者之间的变化和诊断工作量.

研究的目的:

• 开发一种先进的深度学习模型,以准确客观地分类甲状腺结节.
• 为了提高对超声波图像中微妙特征的敏感性,以便更好地区分良性与恶性.
• 为了减少甲状腺疾病诊断中的超声波仪的主观负担.

主要方法:

• 提出了Swin-剩余变压器 (SRT) 模型,将剩余块和三重损失集成到Swin变压器架构中.
• 提高了模型捕捉甲状腺结节的全球和局部特征的能力.
• 利用三重损失来改善类似结节特征之间的歧视.

主要成果:

• 在分类甲状腺结节时,SRT模型的准确度为0.8832和曲线下的面积 (AUC) 为0.8660.
• SRT的性能优于现有的最先进的卷积神经网络 (CNN) 和变压器模型.
• 废弃性研究证实了将残留块和三重损失纳入的性能增长.

结论:

• 该SRT模型显示了通过超声波图像提高甲状腺结节诊断的准确性和效率的巨大潜力.
• 这种方法可以帮助减少主观的诊断变异性,并可能尽量减少不必要的甲状腺结节活检.
• SRT模型为改善甲状腺结节的临床诊断提供了一个可行的解决方案.