基于联合损失函数的多任务甲状腺肿瘤分割术,
FFANet+MTL，由河北工业大学
2023 J. Bio.信号过程。控制 (Sik-Ho Tsang@ Medium)

生物医学图像多任务学习
2018 ... 2020[BUSI][Song JBHI'20][cGAN JESWA'20]2021 [Ciga JMEDIA'21][CMSVNetIter]
==== 我的其他论文阅读也在这里 ====

• FFANet 作为主干，增加了一个分类分支，将其扩展为一个多任务图像分割框架。
• 为分类和分割设计了一个联合损失函数。

概要

1. FFANet+MTL

2. 结果

1.FFANet+MTL

FFANet+MTL

1.1.FFANet在细分领域的简要回顾

• FFANet 被用来作为基本的分割网络。
• FFANet 重新设计并优化了 作为骨干网 作为骨干网，其中增加了剩余的连接 ，以便VoVNet可以学习更多的特征。
• 设计了一种特殊的特征融合机制，以有效聚合多尺度特征。
• 最后，在上采样阶段，插入了一个混合域注意机制，以完善分割结果。
• (请随时阅读FFANet了解更多细节）。

1.2.分类分支

• 对于分类分支，它由一个全局平均池（GAP） 层 和一个 全连接层组成 。

1.3.联合损失函数

• 对于分类 任务，使用交叉熵（CE）损失函数：

• 对于分割 任务，使用的是骰子损失函数：

• 最后的损失 是加权的CE和DICE损失：

• 其中 α=0.2为最终选择。

2.2.结果

2.1.数据集和指标

• 我们使用的数据集是由**MICCAI 2020公开赛甲状腺结节分割和分类（TN-SC 2020）**提供的。
• 该数据集包括由3644名患者提供的3644张图像 ，并由专业医生进行注释。所有图像都是 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。
• 图像大小 被调整为512×512。
• 使用4个指标，即DICE、准确度（ACC）、灵敏度（SE）和特异性（SP）。 (这个ACC是像素级的ACC)

2.2.权重选择

分割任务的多任务模型比较实验

α=0.2获得最高的性能，用于后面的实验。

分类任务的多任务模型比较实验

α=0.2得到的分类性能稍差。

2.3.SOTA比较

甲状腺肿瘤分割任务的比较实验结果。

多任务模型（0.2）在关键指标 DICE上的最佳性能 是0.935。在ACC和SP上的表现达到第三位，在SE上的表现也非常好。

甲状腺肿瘤分类任务的比较实验结果。

提出的多任务模型（0.2）的 分类精度达到0.79， 排名第二，超过了 ResNet-50, ResNet-50与 ECA-Net 频道关注，以及 VoVNet-39.

甲状腺数据集的分割和定位的实验结果。

提出的多任务模型 对目标区域的定位和预测非常准确，对病变区域的描述也更加精细。