基于 Transformer 的 SSMT-Net 用于甲状腺肿瘤 ultrasound 图像的解剖学引导表征学习
计算机视觉与模式识别
2025-12-16 v1 人工智能
摘要
准确的甲状腺肿瘤在 ultrasound 图像中的分割对于诊断和治疗规划至关重要。然而,肿瘤与周围组织之间的模糊边界、大小变化以及标注 ultrasound 数据的稀缺性构成了自动化分割的重大挑战。现有的深度学习模型难以整合甲状腺腺体的上下文信息并在不同案例中获得良好泛化能力。为解决这些挑战,我们提出了 SSMT-Net,一种基于 Transformer 的半监督多任务网络,利用无标签数据增强 Transformer 主导的编码器特征提取能力。在监督阶段,模型联合优化肿瘤分割、腺体分割和肿瘤大小估计,整合局部和全局上下文特征。在 TN3K 和 DDTI 数据集上的广泛评估表明,SSMT-Net 在准确率和鲁棒性方面均优于最先进的方法,表明其在实际临床应用中具有潜力。
关键词
引用
@article{arxiv.2512.12662,
title = {Anatomy-Guided Representation Learning Using a Transformer-Based Network for Thyroid Nodule Segmentation in Ultrasound Images},
author = {Muhammad Umar Farooq and Abd Ur Rehman and Azka Rehman and Muhammad Usman and Dong-Kyu Chae and Junaid Qadir},
journal= {arXiv preprint arXiv:2512.12662},
year = {2025}
}