MTL-LymphNet：一种用于甲状腺癌超声中同时实现淋巴结分割与转移分类的轻量级多任务学习框架

《Ultrasonic Imaging》：MTL-LymphNet: A Lightweight Multi-Task Learning Framework for Simultaneous Lymph Node Segmentation and Metastasis Classification in Thyroid Cancer Ultrasound

　　

摘要

甲状腺乳头状癌颈淋巴结转移的超声评估至关重要，但存在观察者间差异。现有的深度学习方案通常采用独立的单任务流程，导致参数冗余。我们提出了MTL-LymphNet，一个轻量级、骨干网络无关的多任务学习框架，能够在单次前向传播中同时完成淋巴结分割和转移分类，并在3个骨干网络和4种损失权重策略上进行了评估。在来自2个独立临床中心的338张图像上，MTL-LymphNet的内部交叉验证Dice系数为0.891 ± 0.022，AUC为0.948 ± 0.027。双向外部验证显示出显著的领域漂移，跨中心Dice分别为0.865和0.779，AUC分别为0.733和0.830。多任务配置提供了良好的效率与性能权衡（ΔDice = ?0.014，P < .0001），参数数量比独立模型减少40%。没有哪种骨干网络或权重策略始终占主导地位，且在领域漂移下校准性能大幅下降（ECE：内部0.049 vs 外部0.178–0.304），临床使用前需进行中心特定的重新校准。据我们所知，这是首个用于颈淋巴结分析的MTL框架，具备双向多中心验证和系统性消融实验。MTL-LymphNet体积仅22.6至29.1 MB，CPU推理时间为81至131毫秒，作为辅助诊断工具具有技术可行性，值得开展前瞻性验证。

获取本文完整内容

查看本文的所有访问和购买选项。

获取访问权限