用于超声图像中甲状腺结节可解释诊断的多属性注意力网络
图像与视频处理
2022-07-12 v1
摘要
超声 (US) 是诊断甲状腺癌的主要成像技术。然而，准确识别结节恶性是一项具有挑战性的任务，经验不足的临床医生可能会漏诊。近来，许多计算机辅助诊断 (CAD) 系统被提出以辅助该过程。然而，其中大多数未提供其分类过程的推理，这可能会损害其在实际使用中的可信度。为克服这一点，我们提出一种称为多属性注意力网络 (MAA-Net) 的新型深度学习框架，其设计旨在模拟临床诊断过程。所提模型学习预测结节属性并基于这些临床相关特征推断其恶性。采用多注意力方案生成定制化注意力以改善各项任务及恶性诊断。此外，MAA-Net 利用结节勾画作为结节空间先验引导进行训练，而非通过额外模型或人工干预裁剪结节，以防止丢失上下文信息。验证实验在一个包含 4554 名患者的大型且具有挑战性的数据集上进行。结果表明，所提方法优于其他最先进的方法，并提供可能更适合临床需求的可解释预测。
引用
@article{arxiv.2207.04219,
title = {Multi-Attribute Attention Network for Interpretable Diagnosis of Thyroid Nodules in Ultrasound Images},
author = {Van T. Manh and Jianqiao Zhou and Xiaohong Jia and Zehui Lin and Wenwen Xu and Zihan Mei and Yijie Dong and Xin Yang and Ruobing Huang and Dong Ni},
journal= {arXiv preprint arXiv:2207.04219},
year = {2022}
}
备注
11 pages, 7 figures