面向甲状腺结节超声图像分割的多尺度特征融合"h"形网络
目的 准确定位超声甲状腺结节对甲状腺癌早期诊断具有重要意义,但患者结节大小、形状以及位置的不确定性极大影响了结节分割的准确率和模型的泛化能力.为了提高超声甲状腺结节分割的精度,增强泛化性能并降低模型的参数量,辅助医生诊断疾病,减少误诊,提出一种面向甲状腺结节超声图像分割的多尺度特征融合"h"形网络.方法 首先提出一种网络框架,形状与字母h相似,由一个编码器和两个解码器组成,引入深度可分离卷积缩小网络尺寸.编码器用于提取图像特征,且构建增强下采样模块来减少下采样时造成的信息损失,增强解码器特征提取的能力.第1个解码器负责获取图像的初步分割信息;第2个解码器通过融合第1个解码器预先学习到的信息来增强结节的特征表达,提升分割精度,并设计了融合卷积池化金字塔实现多尺度特征融合,增强模型的泛化能力.结果 该网络在内部数据集上的Dice相似系数(Dice similarity coefficients,DSC)、豪斯多夫距离(Hausdorff dis-tance,HD)、灵敏度(sensitivity,SEN)和特异度(specificity,SPE)分别为 0.872 1、0.935 6、0.879 7 和 0.997 3,在公开数据集DDTI(digital database thyroid image)上,DSC和SPE分别为0.758 0和0.977 3,在数据集TN3K(thyroid nodule 3thousand)上的重要指标DSC和HD分别为0.781 5和4.4726,皆优于其他模型.结论 该网络模型以较低的参数量提升了甲状腺超声图像结节的分割效果,增强了泛化性能.
深度学习、甲状腺结节、超声分割、h网络、增强下采样、多尺度
28
TP391(计算技术、计算机技术)
国家自然科学基金;山东省自然科学基金
2023-08-17(万方平台首次上网日期,不代表论文的发表时间)
共13页
2195-2207