乳腺-U2Net:一个双流U2网络与基于注意力的瘤融合,用于自动乳腺超声波中的2D瘤细分
Nor Haqkiem1, Erma Rahayu Mohd Faizal Abdullah1, Shier Nee Saw1
1Department of Artificial Intelligence, Faculty of Computer Science & Information Technology, Universiti Malaya, Kuala Lumpur, Malaysia.
Ultrasound in medicine & biology
|November 2, 2025
概括
乳腺-U2Net是一种新的双流神经网络,通过使用基于注意力的融合来改善自动乳腺超声波 (ABUS) 瘤细分. 它在数据集中显示出强大的性能,即使有声学工件.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 自动乳房超声波 (ABUS) 显示了乳腺癌诊断的前景.
- 在ABUS中瘤细分具有挑战性,原因是有限的数据和深度学习器件.
- 现有的方法在3D ABUS卷中与功能丰富和空间连续性作斗争.
研究的目的:
- 介绍BreAST-U2Net,一个协作双流神经网络,用于在ABUS中增强乳腺瘤细分.
- 解决当前深度学习模型在处理无关功能和有限的注释数据方面的局限性.
- 通过利用3D ABUS卷中的相邻2D切片的空间信息来提高细分的准确性和稳定性.
主要方法:
- 开发了BreAST-U2Net,一种混合架构,将双流U2Net编码器与基于注意力的融合模块和共享解码器相结合.
- 利用一个高效的道注意力机制,在邻近的2D ABUS切片中进行协作功能丰富.
- 使用Dice得分评估绩效,并与DSGMFFN和DEMAC-Net等最先进的方法进行比较.
主要成果:
- BreAST-U2Net实现了强大的细分性能 (Dice ≥0.1),在TDSC上达到66.4%,在UMMC数据集上达到65.2%.
- 对声学工件和域移动表现出强度,在特定的影子值下排名高.
- 适度的整体Dice分数 (38.1%TDSC,23.8%UMMC) 表明需要进一步调整的领域,特别是复杂瘤.
结论:
- 乳腺-U2Net在ABUS数据集中展示了乳腺瘤的域强大的细分能力.
- 双流编码和基于注意力的融合增强了对影子工件的弹性,并提高了性能.
- 获得了高达66.4%的子得分,具有可接受的预测质量,突出显示了该模型在临床应用中的潜力.
