通过全球交叉注意力和远距离意识训练从多模式数据中识别哈西莫托的甲状腺炎

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 内分泌学 在内分泌学.

背景情况:

• 哈西莫托的甲状腺炎 (HT) 诊断依赖于超声波图像和生物指标,这些都有局限性.
• 超声波在HT的发现可能是微妙的 (异质的背景,降低的回声性),导致误诊.
• 对于HT的生物指标波动,并缺乏个人确定的诊断关系.

研究的目的:

• 开发一个新的深度学习网络,HTR-Net,以改进哈西莫托甲状腺炎的识别.
• 整合多模式数据,包括超声波图像和生物指标,以提高诊断性能.
• 解决HT诊断中的挑战,例如视觉误解和生物标记物的非绝对性质.

主要方法:

• 拟议的HTR-Net,一个使用多模式信息嵌入用于HT识别的网络.
• 引入了全球交叉注意 (GCA) 模块,以改善异质超声背景的识别.
• 实现了远距离感知不匹配增强 (DMA) 策略,用于生物指标数据扩展,以及远距离感知损失 (DL) 函数,用于有效的特征提取.

主要成果:

• 在哈西莫托甲状腺炎的识别中,HTR-Net实现了最先进的 (SOTA) 性能.
• 全球交叉注意模块有效地提高了特征性超声波特征的识别.
• 远程感知策略提高了模型处理有限和波动的生物指标数据的能力.

结论:

• 通过将超声波和生物数据整合起来,HTR-Net在哈西莫托甲状腺炎诊断方面表现出卓越的性能.
• 拟议的多模式方法和新型模块 (GCA,DMA,DL) 有效地克服了现有的诊断局限性.
• 这种人工智能驱动的方法为准确可靠的HT识别提供了有希望的进步.