ESAM2-BLS：面向超声影像的乳腺病灶高效分割增强模型

本文提出了一种基于增强版Segment Anything Model 2 (SAM2)的深度学习模型ESAM2-BLS，通过引入适配器模块（Adapter）、多尺度信息融合（MSIF）瓶颈块和轻量解码器，显著提升了超声图像中低对比度、小病灶的分割精度（平均Dice分数达0.9077/0.8633），为乳腺癌早期筛查的计算机辅助诊断（CAD）系统提供了高效可靠的自动化解决方案。

　　

Section snippets

Related Works

乳腺超声图像分割是CAD系统中的关键任务，对乳腺癌的早期检测与治疗具有重要意义。近年来随着深度学习的快速发展，大量基于CNN和Transformer的图像分割方法被提出并应用于超声图像中乳腺病灶的自动化分割。本章重点回顾了基于CNN、Transformer以及CNN-Transformer混合方法的乳腺病灶分割研究进展。

Overviews of ESAM2-BLS

我们提出的ESAM2-BLS模型是对先进基础分割模型SAM2的增强适配版本。SAM2本身包含分层图像编码器（Hiera）和掩码解码器，虽然其基于大规模自然图像数据集预训练具备强大的视觉理解能力，但直接应用于具有独特成像特性的乳腺超声图像仍面临适配挑战。

Ultrasound Dataset

本研究采用三个数据集：breast ultrasound-brazil (BUS-BRA)、breast ultrasound dataset (BUD)和breast ultrasound images database (BUID)。这些数据集提供了具有不同成像条件和标注方法的挑战性乳腺超声图像，确保模型评估的公平性和泛化能力。

Comparison Study

本研究系统评估了包括ESAM2-BLS在内的多种分割模型在两个乳腺超声数据集（BUS-BRA和BUD）上的性能。在BUS-BRA数据集上，ESAM2-BLS在Dice相似系数和Jaccard指数等关键指标上均显著优于传统CNN模型（如U-Net、U-Net++）和混合架构模型（如TransUNet），特别是在小病灶和低对比度区域的分割精度提升尤为明显。

Effectiveness of the Model

本研究所提出的ESAM2-BLS模型在乳腺超声图像分割任务中展现出卓越的性能和鲁棒性。在两个具有不同成像条件和标注方法的数据集上的评估验证了该模型在复杂背景、低对比度和高噪声环境下的适应能力。

Conclusion

总之，ESAM2-BLS为超声成像中的自动化乳腺病灶分割提供了一个计算高效、准确且临床可行的解决方案。通过有效利用基础模型优势并结合领域特定优化，我们的方法为乳腺癌早期检测与诊断提供了强有力的技术支持。