增强甲状腺结节检测和诊断:一个移动优化的DeepLabV3+方法用于临床部署
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 physiology
|April 8, 2025
概括
这项研究介绍了DeepLabV3+,这是一种高效的AI模型,用于在超声波图像中对甲状腺结节进行细分. 它实现了提高诊断的高准确性,并且可以部署在移动设备上进行早期检测.
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:
- 甲状腺结节的细分对于准确诊断至关重要.
- 现有的方法在移动设备上经常难以提高效率和准确性.
研究的目的:
- 使用DeepLabV3+提高甲状腺结节细分效率和准确性.
- 开发一种轻量级但准确的模型,用于嵌入式系统的临床部署.
主要方法:
- 利用精心策划的高分辨率超声波图像数据集.
- 集成的MobileNetV2,深度可分离的扩展卷积,ASPP,PPM和注意力机制.
- 采用Tversky损失函数来解决分类失衡的问题.
主要成果:
- 实现了94.37% 交叉在联盟 (IoU) 上的语义图像细分.
- 保持了一个轻量级的架构,只有12.4 MB的参数.
- 在划定甲状腺结节边界方面表现出高度准确性.
结论:
- DeepLabV3+为癌症查提供了甲状腺结节细分的显著进展.
- 该模型的性能表明了早期检测甲状腺结节的潜力.
- 在移动设备上部署为早期诊断和改善患者治疗结果提供了实用的解决方案.


