LGF-Net:一种用于甲状腺结节超声波图像分类的多尺度特征融合网络
Yao Xiao1, Yan Zhuang1, Wenwu Ling2
1College of Biomedical Engineering, Sichuan University, Chengdu, China.
Journal of applied clinical medical physics
|July 27, 2025
概括
这项研究引入了一种新的双分支网络 (LGF-Net),用于改进甲状腺结节的分类,有效地整合本地和全球特征,以提高超声波图像的诊断准确性.
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
- 瘤学 诊断 诊断 瘤学
背景情况:
- 准确的甲状腺结节分类对于计算机辅助的甲状腺癌诊断至关重要.
- 现有的卷积神经网络 (CNN) 和变压器模型在整合本地和全球特征方面面临挑战,限制了识别精度.
研究的目的:
- 开发一种模型,可以同时捕捉细粒度的本地和全球空间特征,用于甲状腺结节诊断.
- 通过适应不规则的结节形态和专注于关键像素区域来提高识别精度和概括能力.
主要方法:
- 提出了一个多尺度的融合模型,本地和全球特征融合网络 (LGF-Net),具有双 CNN 和变压器分支.
- CNN分支用于局部特征的波形变换和可变形卷积 (WTDCM);变压器分支用于空间特征的聚合注意力 (AA).
- 适应性特征融合模块 (FFM) 集成了多尺度特征,用于增强分类.
主要成果:
- 在公共TNCD数据集上达到81.50%的准确性,在私人临床数据集上达到91.24%的准确性.
- 在两个数据集的准确性,回忆,精度和F1分数方面超过了最先进的方法.
- 废弃研究和可视化证实了模型组件的有效性和可解释性.
结论:
- 该LGF-Net方法显著提高了甲状腺结节的识别准确性和概括性.
- 证明了在甲状腺癌诊断中临床应用的潜力.
- 提供可解释性,帮助临床医生进行诊断.
