摘要: 针对超声图像中甲状腺结节多尺度、结节边缘模糊、良恶分类不平衡问题,提出一种联合超声甲状腺结节分割与分类的多任务方法。以全卷积网络作为主干共享网络,将提取到的浅层特征共享给多任务分支网络,在分割网络分支中,先加入深层卷积块,获取分割分支深层特征,再对深层特征进行上采样。本文提出一种改进卷积注意力模块的多尺度卷积注意力模块,将上采样结果与主干共享网络每个特征提取阶段经过带有多尺度卷积注意力模块跳跃连接后的特征张量进行拼接,减少结节边缘模糊问题,提高分割性能。同时将多尺度卷积注意力模块融入到分类分支中,优化分类性能。实验结果表明:本文所提多任务方法能有效提升分割和分类的精度,较单任务深度学习网络具有更优的分割与分类性能,能有效处理甲状腺结节多尺度、结节边缘模糊的问题,降低良恶分类不平衡带来的影响。
- 关键词:
- 深度学习 /
- 多任务学习 /
- 甲状腺结节超声图像 /
- 图像分割 /
- 图像分类 /
- 深层卷积块 /
- 多尺度卷积注意力模块 /
- 残差结构
近年来,甲状腺癌的发病率呈上升趋势,及早发现、诊断和治疗是至关重要的。超声检查在甲状腺良恶性的鉴别诊断和评估方面有着安全、无创、诊断性好等优势,在临床工作中得到了广泛应用,是检测甲状腺结节的首选方法。甲状腺结节的形状和纵横比是良恶性诊断的重要特征,甲状腺结节的分割与分类对临床治疗有重要的意义。
深度卷积神经网络能极大地提高目标分类和分割的精度,广泛应用于生物