GS-MGF-LPLs:计算机视觉辅助的不确定性甲状腺结节超声图像分割方法
摘要
不确定性甲状腺结节（indeterminate thyroid nodules，ITNs）的检测对患者生存预后至关重要。超声检查作为其诊断评估的金标准，在实际应用中面临医学图像细粒度分割资源消耗大、标注数据稀缺的挑战。本研究创新性地提出网格搜索聚类驱动的多门控局部块学习模型（简称GS-MGF-LPLs）。该模型通过重构双阈值快速搜索策略的块深度全卷积网络架构，将输入空间划分为潜在簇和噪声簇两类特征空间，并基于输出空间的局部簇构建目标模型。其技术突破体现在三个层面：（1）采用门控融合模型实现扫描参数的输入层前自动分割，以恒定连接权重表征不同类别簇的预测权重；（2）在加权层后集成多网格搜索局部块学习系统，通过多系统投票机制生成决策；（3）输出层通过解码分割结果获取块预测输出，运用动态加权平均算法保持特征多样性。基于专门构建的网格搜索耦合分割数据集验证表明，本模型在四类ITNs分割任务中取得突破性性能：准确率达99.54%，精确率为86.06%，F值与Dice系数均达到84.26%，显著优于当前五种主流分割方法（p<0.01）。该成果不仅为ITNs的早期精准诊断提供了可靠的技术支撑，其创新的特征空间解耦思想和多系统集成架构更为医学图像分析领域提供了方法论参考。目前，该模型已进入多中心临床验证阶段，有望成为辅助医生诊断决策的有力工具。
引用本文（GB/T 7714）
杨 杰, 刘贤贤, 田洪瑜, 等. GS-MGF-LPLs:计算机视觉辅助的不确定性甲状腺结节超声图像分割方法[J]. 中国科学与技术学报, 2025.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。