WML-Net: Weakly supervised multi-task learning network for carotid plaque segmentation and classification

Haitao Gan

doi:10.1016/j.bspc.2026.111057

WML-Net: Weakly supervised multi-task learning network for carotid plaque segmentation and classification

2026-07-01

0

PRE

AI

DOI：10.1016/j.bspc.2026.111057

原文链接

原文求助

摘要

En 中文

颈动脉超声图像的分割和分类是诊断颈动脉斑块和预测中风风险的关键步骤。研究表明，分割和分类任务本质上是相关的，多任务学习可以利用这种关系。然而，多任务学习需要大量的分割和分类标签，与分类标签相比，分割标签的获取更耗时且劳动密集。因此，我们提出了一种弱监督多任务学习网络WML-Net，可以同时分类和分割颈动脉斑块，其中分割任务利用弱监督且不需要分割掩码。WML-Net首先从编码器提取的特征中推导出相应的注意力图。双分支伪掩码生成模块（DBPGM）整合不同层的注意力图以生成更准确的伪掩码，从而增强网络的分割性能。在分割损失计算过程中，引入了一种损失感知权重调整策略，以引导网络将注意力集中于更难分割的斑块类型。特征增强模块（FEM）利用斑块图像和分割预测提取更具判别性的特征，从而使得分割任务能够有效促进分类过程。我们在来自武汉大学中南医院的1270张颈动脉斑块超声图像上进行了实验和评估。实验结果表明，与基线网络相比，WML-Net在颈动脉斑块分类中实现了约2.98%的准确率提升。

Keyword:

Carotid plaques classification

Multi-task learning

Weakly supervised segmentation

Deep learning

WML-Net: Weakly supervised multi-task learning network for carotid plaque segmentation and classification

摘要

期刊

机构

引用论文