首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

论文推荐:基于联合损失函数的多任务肿瘤分割

以FFANet为主干,加入分类的分支,将模型扩展为多任务图像分割框架,设计了用于分类和分割的联合损失函数。

FFANet+MTL

1、FFANet和分割分支

FFANet作为骨干网络,作为对VoVNet的重新设计和优化,FFANet在骨干网中加入了残差连接,使VoVNet可以学习更多的特性。设计了一种特殊的特征融合机制来有效地聚合多尺度特征。最后,在上采样阶段,引入混合的注意力机制来细化分割结果

2、分支分类

对于分类分支,它由一个全局平均池化(GAP)层和一个全连接层组成。

3、联合损失函数

对于分类任务,使用交叉熵(cross-entropy, CE)损失函数:

对于分割任务,使用dice 损失函数:

最后加权损失:

这里选择的α=0.2

结果展示

1、数据集和指标

数据集是由MICCAI 2020公开竞赛甲状腺结节分割和分类(TN-SC 2020)提供。该数据集包括3644张图片,由3644名患者提供,并由专业医生注释。所有图像均为单通道灰度超声图像。训练集、验证集和测试集的比例为7∶1∶2。使用 4 个指标,即 DICE、准确性 (ACC)、灵敏度 (SE) 和特异性 (SP)。(这个ACC是像素级的 ACC)

2、权重(α)选择

α=0.2得到最高的性能,并用于后续的实验。

可以看到,当α=0.2分类性能稍差。

3、SOTA比较

多任务模型(0.2)在关键指标DICE上的最佳表现为0.935。在ACC和SP上的性能达到了第三名,在SE上的性能也很好。

论文所提出的多任务模型 (0.2) 达到了 0.79 的分类精度,排名第二,超过了 ResNet-50、具有 ECA-Net 通道注意力的 ResNet-50 和 VoVNet-39。

模型对目标区域的定位和预测非常准确,对病灶区域的描述也更加精细。

论文地址:

https://www.sciencedirect.com/science/article/abs/pii/S1746809422007030

本文作者:Sik-Ho Tsang

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20230423A023NY00?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券