.png){kind=icon}
返回
CLNAD-Net: A Multi-Task Learning Framework for Cervical Lymph Node Computer-Aided Diagnosis Network
.png){kind=icon}
PRE
AI
DOI：10.1007/s10278-026-02160-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对乳头状甲状腺癌（PTC）患者选择适当治疗方案而言，准确诊断颈部淋巴结转移（CLNM）至关重要。目前，诊断过程主要依赖超声医师的专业经验。然而，超声图像中低对比度和高噪声等挑战常导致诊断结果存在变异性，尤其是在经验不足的医师或疲劳状态下。为解决这些局限性，本研究提出CLNAD-Net，一种多任务学习网络，旨在同时实现颈部淋巴结超声图像的自动分割和转移分类。CLNAD-Net采用融合卷积神经网络（CNN）和Transformer模型优势的双分支编码器架构。通过其特征对齐模块（FAM），网络有效融合局部和全局特征，而多模态辅助分类模块（MACM）通过结合超声图像和患者临床数据增强分类任务，以提高诊断准确性。研究使用来自460名患者的541张颈部淋巴结超声图像数据集，数据采集于郴州市第一人民医院。实验结果表明，CLNAD-Net在分割和分类任务中均优于现有方法和不同经验水平的医师，分类准确率达到84.49%。此外，引入临床数据使分类准确率提升1.78%。这些发现凸显了CLNAD-Net在CLNM诊断中的巨大潜力，为临床应用提供更高的效率和准确性。该方法为医学影像中自动化辅助诊断系统的开发提供了有前景的框架。
Keyword:
Multi-task learning
Lymph node metastasis
Computer aided diagnosis
Segmentation
Classification
期刊
IF:
3.8
论文数:
300
被引数:
5.7K
机构
引用论文
Editorial: Recent trends and advancements in multispectral and hyperspectral imaging for cancer detection编者按：多光谱和高光谱成像在癌症检测方面的最新趋势与进展
OAAI
OAAI分享收藏分享收藏TransUNet: Rethinking the U-Net architecture design for medical image segmentation through the lens of transformersTransunnet: 通过变形金刚的镜头重新思考医学图像分割的u-net架构设计.png)
MEDICAL IMAGE ANALYSIS
OAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries全球癌症统计2022: GLOBOCAN估计全球185个国家36种癌症的发病率和死亡率OAAI
OAAI分享收藏
查看更多内容