一种针对甲状腺结节的超声波图像细分方法,基于双路径注意力机制增强的UNet+
Peizhen Dong1, Ronghua Zhang1, Jun Li2
1College of Information Science and Technology, Shihezi University, Shihezi, 832003, Xinjiang, China.
BMC medical imaging
|December 19, 2024
概括
一个新的双路注意力机制 (DPAM) -UNet++模型在超声波图像中准确地细分甲状腺结节,提高诊断效率. 这种人工智能驱动的方法增强了医疗成像分析,以获得更好的患者结果.
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
- 计算病理学计算病理学
背景情况:
- 甲状腺结节的细分对于超声波成像中的准确诊断至关重要.
- 现有的细分方法经常与复杂的节点特征和效率作斗争.
- 减少医疗人员在结节分析中的工作量是一个重大挑战.
研究的目的:
- 为甲状腺结节设计一个先进的辅助细分模型.
- 为了提高诊断准确度和甲状腺结节识别的效率.
- 为了减少医疗专业人员在分析超声波图像方面的手工工作量.
主要方法:
- 开发一个双路径注意力机制 (DPAM) -UNet++模型用于自动化甲状腺结节细分.
- 将双路径注意模块集成到UNet++跳过连接中,以捕获全球上下文信息.
- 使用诸如IoU和F1得分等指标进行评估,并设计了一种新的集成损失函数.
主要成果:
- 与经典模型相比,DPAM-UNet++模型的IOU为0.7451和F1得分为0.8310实现了卓越的性能.
- 该模型显示了高精度 (0.9718) 和AUC (0.9213),与地面真实细分密切匹配.
- 废弃性研究证实了DPAM和集成损失函数在提高细分精度方面的有效性,特别是在小和多个结节的情况下.
结论:
- 该DPAM-UNet++模型通过超声波图像捕获全球上下文信息,有效地对甲状腺结节进行细分.
- 集成的损失功能增强了结节边缘的细分,提高了整体准确性.
- 这种人工智能驱动的细分工具为更准确,更有效的甲状腺结节诊断提供了有前途的解决方案.
