乳房超声波图像细分 集成Mamba-CNN和特征交互
Guoliang Yang1, Yuyu Zhang1, Hao Yang1
1School of Electrical Engineering and Automation, Jiangxi University of Science and Technology, Ganzhou 341000, China.
Sensors (Basel, Switzerland)
|January 10, 2026
概括
这项研究引入了一种新的Mamba-CNN模型,用于对乳房超声波图像进行细分,有效地减少噪音和文物. 改进的模型提高了对具有挑战性的乳腺病变的细分精度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 超声波图像中的乳腺病变细分具有挑战性,因为尺寸,形状,噪音和工件的变化.
- 准确的细分对于诊断和治疗规划至关重要.
研究的目的:
- 开发一个先进的乳房超声波图像细分模型.
- 为了应对斑点噪音,人工制造物和病变变性的挑战.
- 为了提高乳腺病变细分的准确性和稳定性.
主要方法:
- 一个新的Mamba-CNN模型整合视觉状态空间模型 (VSS) 进行特征提取和混合注意力增强机制 (HAEM).
- 一个使用转移卷积的解码器,用于特征地图上采样和空间信息恢复.
- 一个交叉融合模块 (CFM) 集成浅层空间和深层语义信息,减轻噪音和文物.
主要成果:
- 该模型在BUSI和UDIAT数据集上实现了76.04%的Dice相似系数和20.28mm的HD95.
- 与现有算法相比,细分性能显著改善.
- 有效地减少了超声波图像细分中的噪音和人工物干扰.
结论:
- 拟议的Mamba-CNN模型提供了一个有效的解决方案,用于细分噪音和充满文物的乳房超声波图像.
- 整合VSS,HAEM和CFM增强了模型捕获远程依赖和完善特征表示的能力.
- 该研究强调了先进的深度学习架构在提高乳腺成像诊断准确性的潜力.
