从超声波图像中提高甲状腺结节细分的诊断精度,使用基于自我注意机制的Swin U-Net模型
Changan Yang1, Muhammad Awais Ashraf2, Mudassar Riaz3
1Department of Thyroid and Breast Surgery, Jinjiang Municipal Hospital (Shanghai Sixth People's Hospital Fujian), Quanzhou, Fujian, China.
Frontiers in oncology
|February 21, 2025
概括
一种具有自我注意力的新型Swin U-Net模型显著改善了超声波图像中的甲状腺结节细分,克服了边缘模糊和尺寸可变性,以更准确地诊断甲状腺疾病.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 由于边缘模糊和尺寸变化,超声波中甲状腺结节的准确细分具有挑战性.
- 这些细分问题会影响甲状腺疾病诊断的准确性.
- 甲状腺疾病的诊断对于代谢和荷尔蒙调节至关重要.
研究的目的:
- 提出一种新的Swin U-Net架构,以提高甲状腺结节细分的自我注意力.
- 在超声波图像中提高甲状腺结节细分的准确性和稳定性.
- 在医学诊断中解决边缘模糊和结节大小变化的挑战.
主要方法:
- 开发了一个Swin U-Net模型,在编码器中结合了剩余和多尺度卷积结构.
- 集成了一个自我注意力机制,具有长跳过连接,以改善特征提取和边缘保护.
- 对U-Net和DeepLabv3+等传统模型进行了比较评估.
主要成果:
- 斯温U-Net模型实现了0.78的子相似系数 (DSC),表现优于U-Net和DeepLabv3+.
- 该模型有效地解决了边缘模糊和结节大小的变化,从而大大提高了细分精度.
- 增强的架构在分隔甲状腺结节方面表现出卓越的性能.
结论:
- 增强的Swin U-Net架构为甲状腺结节细分提供了更好的稳定性和准确性.
- 这种方法显示出在甲状腺疾病诊断和患者结局中临床应用的巨大潜力.
- 该研究强调了尽管数据集大小受到限制,但提出的方法的有效性.
