甲状腺超声图像的半监督病灶分割方法研究.docxVIP

下载本文档

3
0
约1.67万字
约 21页
2025-04-07 发布于四川
举报
版权申诉

甲状腺超声图像的半监督病灶分割方法研究.docx

此“医疗卫生”领域文档为创作者个人分享资料，不作为权威性指导和指引，仅供参考

1、本文档共21页，其中可免费阅读12页，需付费99金币后方可阅读剩余内容。
2、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。
3、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
4、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

PAGE2

摘要

甲状腺超声图像中结节的精确分割对后续的良恶性分类具有重要意义。基于监督学习的方法虽然可以有效地从结节和背景中提取特征，但是由于高昂的标注成本，难以获得足够的训练数据，并且临床医学中积累了大量无标注的数据，该方法不适应这种场景。为此，本文提出了一种名为TUS-GAN的半监督框架，用于甲状腺超声图像中结节的分割，该框架使用生成对抗网络的思想，仅利用少量标注数据，生成可靠的分割结果。在判别器中，设计了一个双注意力融合块，更好地提取出病变区域和背景的代表性特征，从而更有效地确定由生成器预测的分割图的质量。此外，通过半监督训练策略，所提出的框架可以有效地利用未标注的数据，来增