论文地址：https://doi.org/10.1109/ISBI48211.2021.9434087
代码：https://github.com/haifangong/TRFE-Net-for-thyroid-nodule-segmentation
发表于：ISBI 21
Abstract
超声图像中的甲状腺结节分割是一项有价值和有挑战性的工作，对甲状腺癌的诊断具有重要意义。由于缺乏对甲状腺区域感知的先验知识，超声图像固有的低对比度以及超声视频不同帧之间复杂的外观变化，现有的直接应用语义分割技术的甲状腺结节自动分割算法容易将非甲状腺区域误认为结节。在这项工作中，我们提出了一种用于甲状腺结节分割的甲状腺区域先验特征增强网络(Thyroid Region prior guided Feature Enhancement Network, TRFE-Net)。为了促进甲状腺结节分割的发展，我们贡献了TN3k：一个开放的甲状腺结节图像的数据集，其中有高质量的结节mask标签。我们提出的方法在TN3k上进行了评估，与现有的最先进的算法相比，显示了出色的性能。
I. Multi-task Learning Framework
本文的网络框架如下：
摘要中着重提到了本文的创新点在于应用了一种"先验特征"。这个先验特征其实指的就是，甲状腺结节(Thyroid Nodule)肯定是长在甲状腺(Thyroid Gland)里面，因此如果甲状腺结节的分割预测结果都不在甲状腺里面，那么肯定就分割错了。而为了学习这种关联的方式也很简单，只需要将甲状腺结节图像与之对应的甲状腺图像一起送入网络进行学习即可。
具体来说，文中使用了一个共享的Encoder来学习CT图像的特征。而Decoder有两个，其中一个(绿色的)算是本文提出来的辅助Decoder，用于做甲状腺区域的分割；而另一个(蓝色的)则是传统的任务Decoder，用于做甲状腺结节的分割。通过将辅助Decoder的特征经RPG模块(Region Prior Guidance Module)处理后送入任务Decoder，从而使得网络学习"甲状腺结节长在甲状腺里面"这一约束，以提升分割的准确性。
II. Region Prior Guidance Module
区域先验指导(Region Prior Guidance, RPG)模块完成的是将辅助Decoder学到的特征整合进任务Decoder的功能：
那么具体的融合方式的选择就有很多了。比如RPG-A是将辅助Decoder最后一层的特征降采样后嵌入各任务Decoder，而RPG-B和RPG-C则用到了辅助Decoder的各级特征。最终结果是RPG-A的效果最好，因为其实理论上去学"甲状腺结节在甲状腺内"，那么我们只要给个甲状腺区域预测结果就行了，而中间的"比较粗糙的"高级特征则用处不大。