增强的多尺度选择性注意力U-net用于乳房超声波图像分割
Peng Wang1, Keyu Chen2, Shasha Hong1
1School of Electronic Information, Hunan First Normal University, Changsha, China.
Medical physics
|November 27, 2025
概括
这项研究引入了一个增强的多尺度选择性注意力 (EMSA) U-Net,以改善乳房超声波图像细分. 该模型显著提高了识别病变的准确性,帮助临床诊断.
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:
- 在超声波图像中精确细分乳腺病变对于诊断和治疗至关重要.
- 挑战包括噪音,低对比度和各种损伤特征.
研究的目的:
- 为了开发一个高效的细分模型,增强的多尺度选择性注意力 (EMSA) U-Net.
- 通过使用多尺度上下文来改善特征表示,并通过适应性注意力增强边界检测.
主要方法:
- 使用的乳房超声波图像 (BUSI) 和BUSI_WHU数据集.
- 雇员数据增强和预处理用于模型培训.
- 集成的EMSA块具有多分支扩展卷积和SKConv用于自适应特征融合.
主要成果:
- 在BUSI测试组中获得68.33%的mDice分数.
- 与TransUNet和U-Net相比,在统计学上有显著的改进.
- 与CSA-UNet相比,显示了较大的效果大小.
结论:
- 欧洲乳房安全局的U-Net模型为乳房超声波图像提供了卓越的细分性能.
- 该模型有效地整合了自适应的多级特征学习和上下文意识的注意力.


