用于甲状腺结节分割与诊断的形状-边缘知识增强网络
图像与视频处理
2023-08-30 v1 计算机视觉与模式识别
机器学习
摘要
甲状腺结节分割是医师与计算机辅助诊断系统诊断流程中的关键步骤。当前研究多将分割与诊断视为独立任务，未考虑这些任务间的关联。计算机辅助诊断系统中这些独立任务的顺序步骤可能导致误差累积。因此，值得通过探索甲状腺结节分割与诊断之间的关系将它们结合为一个整体。根据甲状腺影像报告和数据系统(TI-RADS)，形状和边缘特征的评估是鉴别良恶性甲状腺结节的先决条件。这些特征可在甲状腺结节分割掩码中观察到。受TI-RADS诊断流程启发，本文提出一种形状-边缘知识增强网络(SkaNet)，用于同步进行甲状腺结节分割与诊断。由于分割与诊断在视觉特征上的相似性，SkaNet在特征提取阶段共享视觉特征，然后利用双分支架构同步执行甲状腺结节分割与诊断任务。为增强有效判别特征，设计了一个指数混合模块，通过指数加权将卷积特征图与自注意力图相结合。随后，SkaNet由带有约束惩罚项的知谅增强多任务损失函数联合优化。它通过数值计算嵌入形状与边缘特征，并对甲状腺结节诊断结果与分割掩码之间的关系建模。
引用
@article{arxiv.2308.15386,
title = {Shape-Margin Knowledge Augmented Network for Thyroid Nodule Segmentation and Diagnosis},
author = {Weihua Liu and Chaochao Lin},
journal= {arXiv preprint arXiv:2308.15386},
year = {2023}
}