关于人工智能:论文推荐基于联合损失函数的多任务肿瘤分割

45次阅读

共计 807 个字符,预计需要花费 3 分钟才能阅读完成。

以 FFANet 为主干,退出分类的分支,将模型扩大为多任务图像宰割框架,设计了用于分类和宰割的联结损失函数。

FFANet+MTL

1、FFANet 和宰割分支

FFANet 作为骨干网络,作为对 VoVNet 的从新设计和优化,FFANet 在骨干网中退出了残差连贯,使 VoVNet 能够学习更多的个性。设计了一种非凡的特色交融机制来无效地聚合多尺度特色。最初,在上采样阶段,引入混合的注意力机制来细化宰割后果

2、分支分类

对于分类分支,它由一个全局均匀池化 (GAP) 层和一个全连贯层组成。

3、联结损失函数

对于分类工作,应用穿插熵 (cross-entropy, CE) 损失函数:

对于宰割工作,应用 dice 损失函数:

最初加权损失:

这里抉择的 α =0.2

后果展现

1、数据集和指标

数据集是由 MICCAI 2020 公开比赛甲状腺结节宰割和分类 (TN-SC 2020) 提供。该数据集包含 3644 张图片,由 3644 名患者提供,并由业余医生正文。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。应用 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)抉择

α=0.2 失去最高的性能,并用于后续的试验。

能够看到,当 α =0.2 分类性能稍差。

3、SOTA 比拟

多任务模型 (0.2) 在要害指标 DICE 上的最佳体现为 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、具备 ECA-Net 通道注意力的 ResNet-50 和 VoVNet-39。

模型对指标区域的定位和预测十分精确,对病灶区域的形容也更加精密。

论文地址:

https://avoid.overfit.cn/post/6a605da56978443bb548e8f342cbda37

本文作者:Sik-Ho Tsang

正文完
 0