摘要
甲状腺结节是常见的内分泌疾病,从超声图像中准确分割出结节是一项重要工作.为了有效地解决原始超声图像噪声大、对比度低、结节与周围组织互相粘连的问题,呈现出结节清晰的轮廓形态,提出一种基于深度学习的甲状腺超声结节分割方法.利用扩张卷积模块增加分割模型的感受野范围并且保持特征图的尺寸不变,精准提取更广阔的上下文信息;构建高效通道注意力机制模块,动态地调整通道特征权重,突显出超声图像中的重要关键信息;并且设计混合双损失函数来保障模型的性能和分割的准确性.将此方法应用到甲状腺数据集上进行消融实验验证各模块有效性,同时与已有的方法在多个评价指标上进行比较,结果表明,该方法的精确度和F1-Score可分别达到0.971 2和0.9715,与其他经典方法相比可以更精确地分割甲状腺结节.
基金项目
山东省高等学校科技计划(J17KA062)
教育部产学合作协同育人项目(201602028014)
山东省研究生教育质量提升计划(SDYKC19183)
维普
万方数据