近期，我院教师团队完成的关于甲状腺结节医学影像分割的研究论文“GCAESeg: Grouped Channel Attention Enhanced network for thyroid nodule segmentation in ultrasound images”被JCR 2区SCI期刊《Pattern Recognition Letters》接收并出版。
甲状腺癌已成为全球增长速度最快的恶性肿瘤之一，位列第七大常见癌症。人工智能在医学影像技术领域虽然取得了显著进展，且在各类医学影像分析任务中发挥核心作用，但是现有的这些方法仍面临模态冲突、微小病灶与边界分割不佳等问题。为解决上述痛点，本文以基于CLIP的分割模型，提出融入分组通道注意力机制的GCAESeg 网络，构建双分支协同架构。增强型视觉特征提取器采用类U-Net结构的编解码与分层GCA结合，强化器官边界、微小病灶等高频细节，弥补ViT模型空间信息损失；增强型CLIP特征提取器依托文本条件嵌入的视觉-语言模型，捕捉高级语义特征。双分支输出经拼接后输入增强型预测头，通过渐进式融合实现精准分割预测。整体架构为甲状腺结节精准分割提供了新方案，完善了现有技术体系。
论文封面
GCAESeg网络结构图
