MFA-Net:具有背景感知模块的多尺度特征聚合网络,用于甲状腺结节的超声波细分
Dongfen Ye1, Kun Lan2, Jianzhen Cheng3
1College of Electrical and Information Engineering, Quzhou University, Quzhou, China.
Quantitative imaging in medicine and surgery
|December 10, 2025
概括
这项研究介绍了MFA-Net,这是一种新的深度学习模型,用于在超声波图像中对甲状腺结节进行细分. 通过捕捉多尺度特征和减少背景噪声,MFA-Net有效地提高了细分精度.
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:
- 超声波图像中的甲状腺结节细分对于区分良性病例和恶性病例至关重要.
- 挑战包括弱边缘,低对比度和复杂的内部结构,阻碍精确的细分.
- 准确的细分对于可靠的临床诊断至关重要.
研究的目的:
- 开发一个强大的多尺度特征聚合网络 (MFA-Net),用于准确的甲状腺结节细分.
- 通过整合背景感知模块 (BAM) 来提高细分性能.
- 在超声波图像中改进细粒度细节和全局结构表示.
主要方法:
- 开发了多尺度特征聚合模块 (MFAM) 的MFA-Net,以捕捉多尺度的环境.
- 集成了一个背景感知模块 (BAM) 来抑制背景噪音并区分结节与周围组织.
- 在剩余解码器模块 (RDM) 中使用空间和通道注意力进行精细细分.
主要成果:
- 在多个数据集中,MFA-Net实现了高性能,包括TN3K (子:0.8616),TG3K (子:0.9857),DDTI (子:0.7483) 和BrainTumor (子:0.8485).
- 诸如交叉与联盟 (IoU),准确性和马修斯相关系数 (Mcc) 等量化指标也表现出了强的结果.
- 在这些数据集上,性能超过了当前的领先模型.
结论:
- MFA-Net在甲状腺结节细分的准确性和稳定性方面取得了显著的改善.
- 在各种细分任务中,MFAM,BAM和RDM组件证明了其有效性和适应性.
- 这些发现证实了MFA-Net在甲状腺结节诊断中可靠的临床应用的潜力.
