基于抗标签噪声 CNN-Transformer 混合架构的肝脏创伤超声造影诊断新突破

为解决肝脏创伤超声造影（CEUS）诊断难题，研究人员提出 LNRHA 架构，实验效果良好。

　　近年来，超声造影（CEUS）在肝脏创伤诊断方面展现出潜在价值，肝脏创伤是钝性腹部创伤致死的主要原因。然而，CEUS 图像中固有的斑点噪声以及钝性肝脏创伤复杂的视觉特征，使得诊断高度依赖放射科医生的专业知识，这种诊断方式主观且耗时。此外，观察者内部和观察者之间的差异不可避免地影响了 CEUS 诊断的准确性。在这项研究中，研究人员提出了一种用于 CEUS 肝脏创伤分类的抗标签噪声卷积神经网络 - Transformer 混合架构（LNRHA）。首先，开发了基于 CNN-Transformer 的自上下文双 Transformer（SCDT）模块，该模块由一个共享特征编码器和基于双视角 Transformer 的模块组成，能够从邻域上下文和自注意力的角度感知创伤病变的语义。此外，为了减轻因观察者内部和观察者之间差异导致的注释噪声，研究人员设计了基于置信度的标签过滤器（CLF）模块，基于 SCDT 的集成来区分潜在的标签噪声数据。利用新设计的损失函数逐渐惩罚检测到的噪声数据的不确定性，在充分利用所有数据的同时，避免过度拟合误导性信息，从而提高分类性能。在内部肝脏创伤 CEUS 数据集上进行的大量实验结果表明，该网络架构能够取得良好的性能。值得注意的是，LNRHA 方法在标签噪声数据上的实验结果也优于大多数最先进的分类方法，这表明其在肝脏创伤诊断方面的有效性。