空间前导双路径网络用于甲状腺结节细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机辅助诊断 计算机辅助诊断

背景情况:

• 精确的甲状腺结节细分在超声波中对于诊断至关重要,但由于图像质量和解剖学复杂性而具有挑战性.
• 当前的深度学习方法经常忽视甲状腺解剖学先验,导致非甲状腺组织的错误分类.

研究的目的:

• 开发一个深度学习网络,整合了先前的解剖学知识,以改善甲状腺结节细分.
• 通过利用全球背景和地方特征来提高细分精度和边界划分.

主要方法:

• 提出了一个空间预先引导双路径网络,用于解剖结构的预先意识编码器和用于多尺度特征的异质编码器.
• 引入了一个CrossBlock模块,将交叉注意力和混合尺度卷曲结合起来,用于全球和本地特征提取.
• 使用双解码器架构用于甲状腺区域的先前学习和结节细分,并为解剖指导注入等级特征.

主要成果:

• 拟议的网络在TN3K和MTNS数据集上表现出优于最先进的方法的性能.
• 在甲状腺结节细分的边界精度和定位精度方面取得了显著的改进.
• 该方法在术前规划和临床决策方面显示出实际价值.

结论:

• 空间先导双路径网络通过整合解剖先导有效地解决了现有方法的局限性.
• 该网络提高了细分精度,特别是在边界划分和定位方面.
• 这种方法为提高甲状腺超声波成像诊断精度提供了有价值的工具.