基于区域与类别置信度的多任务网络用于颈动脉超声图像分割与分类
图像与视频处理
2023-11-21 v2 计算机视觉与模式识别
摘要
超声图像中颈动脉斑块的分割与分类在动脉粥样硬化治疗和卒中风险评估中具有重要作用。尽管深度学习方法已用于颈动脉斑块分割与分类，但两阶段方法会增加整体分析的复杂性，且现有多任务方法忽略了分割与分类之间的关系。这会导致次优性能，因为有价值的信息可能未在所有任务中充分利用。因此，我们提出一种用于超声颈动脉斑块分割与分类的多任务学习框架（RCCM-Net），其利用区域置信度模块（RCM）和样本类别置信度模块（CCM）来挖掘这两个任务之间的相关性。RCM将斑块区域概率的知识提供给分类任务，而CCM旨在为分割任务学习类别样本权重。我们从中国武汉的中南医院收集了共计1270张颈动脉斑块二维超声图像用于实验。结果表明，与现有单任务网络（即SegNet、Deeplabv3+、UNet++、EfficientNet、Res2Net、RepVGG、DPN）和多任务算法（即HRNet、MTANet）相比，所提方法同时提升了分割与分类性能，分类准确率达85.82%，分割的Dice相似系数为84.92%。在消融研究中，结果表明所设计的RCM和CCM均有益于提升网络性能。因此，我们认为所提方法可用于临床试验与实践中的颈动脉斑块分析。
引用
@article{arxiv.2307.00583,
title = {A region and category confidence-based multi-task network for carotid ultrasound image segmentation and classification},
author = {Haitao Gan and Ran Zhou and Yanghan Ou and Furong Wang and Xinyao Cheng and Aaron Fenster},
journal= {arXiv preprint arXiv:2307.00583},
year = {2023}
}