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