Shape-Margin Knowledge Augmented Network for Thyroid Nodule Segmentation and Diagnosis

要約

甲状腺結節のセグメンテーションは、医師の診断手順およびコンピューター支援診断システムにおいて重要なステップです。
現在の研究のほとんどは、セグメンテーションと診断を独立したタスクとして扱い、これらのタスク間の相関関係を考慮していません。
コンピュータ支援診断システムにおけるこれらの独立したタスクの一連のステップは、エラーの蓄積につながる可能性があります。
したがって、甲状腺結節のセグメンテーションと診断の関係を調査することで、それらを全体として組み合わせる価値があります。
甲状腺画像報告およびデータ システム (TI-RADS) によると、形状と縁の特徴の評価は、甲状腺結節の良性と悪性を区別するための前提条件です。
これらの特徴は、甲状腺結節セグメンテーション マスクで観察できます。
この論文は、TI-RADS の診断手順に触発されて、甲状腺結節のセグメンテーションと診断を同時に行うための形状マージン知識拡張ネットワーク (SkaNet) を提案します。
セグメンテーションと診断の間の視覚的特徴の類似性により、SkaNet は特徴抽出段階で視覚的特徴を共有し、デュアルブランチ アーキテクチャを利用して甲状腺結節のセグメンテーションと診断タスクを同時に実行します。
効果的な識別特徴を強化するために、指数関数的重み付けによる畳み込み特徴マップとセルフ アテンション マップを組み込んだ指数混合モジュールが考案されました。
次に、SkaNet は、制約ペナルティ項を備えた知識拡張マルチタスク損失関数によって共同最適化されます。
数値計算を通じて形状とマージンの特性を埋め込み、甲状腺結節の診断結果とセグメンテーション マスクの関係をモデル化します。

要約(オリジナル)

Thyroid nodule segmentation is a crucial step in the diagnostic procedure of physicians and computer-aided diagnosis systems. Mostly, current studies treat segmentation and diagnosis as independent tasks without considering the correlation between these tasks. The sequence steps of these independent tasks in computer-aided diagnosis systems may lead to the accumulation of errors. Therefore, it is worth combining them as a whole through exploring the relationship between thyroid nodule segmentation and diagnosis. According to the thyroid imaging reporting and data system (TI-RADS), the assessment of shape and margin characteristics is the prerequisite for the discrimination of benign and malignant thyroid nodules. These characteristics can be observed in the thyroid nodule segmentation masks. Inspired by the diagnostic procedure of TI-RADS, this paper proposes a shape-margin knowledge augmented network (SkaNet) for simultaneously thyroid nodule segmentation and diagnosis. Due to the similarity in visual features between segmentation and diagnosis, SkaNet shares visual features in the feature extraction stage and then utilizes a dual-branch architecture to perform thyroid nodule segmentation and diagnosis tasks simultaneously. To enhance effective discriminative features, an exponential mixture module is devised, which incorporates convolutional feature maps and self-attention maps by exponential weighting. Then, SkaNet is jointly optimized by a knowledge augmented multi-task loss function with a constraint penalty term. It embeds shape and margin characteristics through numerical computation and models the relationship between the thyroid nodule diagnosis results and segmentation masks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google