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

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=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（）抉择

=0.2失去最高的性能，并用于后续的试验。

能够看到，当=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