HFS-TriNet：用于TRUS视频前列腺癌分类的三分支协作特征学习网络
计算机视觉与模式识别
2026-04-27 v1
摘要
直腔超声（TRUS）成像是诊断前列腺癌时广泛使用的一种有效且非侵入性的模态。最近，对TRUS图像的计算机辅助诊断（CAD）进行了广泛研究。与静态图像相比，TRUS视频提供了更丰富的时空信息，因而可作为提高CAD系统准确性和鲁棒性的有前景的替代方案。然而，TRUS视频分析也带来了新的挑战，包括信息冗余导致计算成本增加、类内外相似性高使特征提取复杂化，以及信噪比低阻碍临床相关信息的识别。为此，本文提出了一种启发式帧选择（HFS）策略和一种三分支协作特征学习网络（HFS-TriNet），用于TRUS视频前列腺癌分类。具体而言，通过在训练时按间隔选择视频帧的片段，可缓解冗余问题。HFS策略动态初始化每个训练片段的起始点，从而确保所采样的片段覆盖整个视频序列。为更好地进行特征提取，除常规ResNet50分支外，本文还采用：1）基于预训练医学分割模型（SAM）的大模型分支提取每个帧的深度特征，并采用基于归一化的注意力模块探索时序一致性；2）小波变换卷积残差（WTCR）分支在高频域提取肿瘤边缘信息，在低频域执行去噪。
引用
@article{arxiv.2604.22388,
title = {HFS-TriNet: A Three-Branch Collaborative Feature Learning Network for Prostate Cancer Classification from TRUS Videos},
author = {Xu Lu and Qianhong Peng and Qihao Zhou and Shaopeng Liu and Xiuqin Ye and Chuan Yang and Yuan Yuan},
journal= {arXiv preprint arXiv:2604.22388},
year = {2026}
}