一种新的混合深度学习方法,结合了深度特征关注和统计验证,用于增强甲状腺超声波细分
Tathagat Banerjee1, Davinder Paul Singh2, Debabrata Swain3
1Department of Computer Science and Engineering, IIT Patna, Patna, India.
Scientific reports
|July 27, 2025
概括
研究人员开发了一种深度学习模型TATHA,用于精确的甲状腺超声波图像细分. 通过克服噪音和低对比度等传统成像挑战,TATHA提高了诊断准确度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 在超声波中精确的甲状腺结节细分对于诊断和治疗规划至关重要.
- 传统的超声波成像面临着诸如噪音,低对比度和操作员依赖等挑战.
- 需要自动化和可靠的解决方案来改善甲状腺成像分析.
研究的目的:
- 介绍TATHA,一种用于增强甲状腺超声波图像分割的新型深度学习架构.
- 根据现有的细分模型评估TATHA的业绩.
- 为甲状腺成像分析提供可靠的工具.
主要方法:
- 开发了TATHA深度学习架构.
- 实施数据预处理以减少噪音和增强对比度.
- 使用边缘检测来实现高质量的细分输入.
- 在数字数据库中对134张标记的甲状腺超声波图像 (99例) 的评估.
- 使用交叉验证与U-Net,PSPNet和Vision Transformers进行比较.
主要成果:
- 与U-Net,PSPNet和Vision Transformers相比,TATHA表现出优越的性能. 这就是为什么它是如此.
- 在数据集中实现了更高的子得分,准确性和AUC值.
- 结合多个特征提取单元的分布式框架产生了可靠的预测.
- 预处理程序有效地减少了斑点噪声和增强了图像对比度.
结论:
- TATHA显著提高了甲状腺超声波图像细分精度.
- 该模型解决了传统超声波成像中的关键挑战.
- 在甲状腺成像和临床应用中,TATHA是临床医生和研究人员的宝贵工具.
