BreAST-U2Net：基于注意力肿瘤融合的双流U2Net在自动乳腺超声二维肿瘤分割中的应用

《Urologic Clinics of North America》：BreAST-U2Net: A Twin-Stream U2Net with Attention-based Tumor Fusion for 2-D Tumor Segmentation in Automated Breast Ultrasound

本文提出BreAST-U2Net模型，通过双流U2Net编码器与高效通道注意力（ECA）融合模块的协同架构，实现自动乳腺超声（ABUS）中二维肿瘤的精准分割。该模型利用相邻切片特征增强肿瘤表征，在有限标注数据下保持空间连续性，对声学伪影和域偏移展现强鲁棒性，为乳腺肿瘤自动化诊断提供新方案。

　　

章节精选

相关工作

乳腺肿瘤分割

基于U-Net的乳腺肿瘤分割模型通过单输入图像进行语义分割，在精准肿瘤勾画方面展现出巨大潜力，支持个性化治疗规划与监测。近年来，双流架构被广泛探索以提升分割性能。例如，交互式多模态信息交互网络[26]采用双流模型处理乳腺磁共振成像...

数据集

标注的ABUS数据集来源于公开挑战赛"自动3-D乳腺超声肿瘤检测、分割与分类挑战赛（TDSC-ABUS 2023）"[47]。数据使用ABUS系统（Invenia ABUS, GE Healthcare）从哈尔滨医科大学肿瘤医院采集。该数据集可通过向组委会提交申请获取，详细地址为：https://tdsc-abus2023.grand-challenge.org/Dataset/。本研究中，轴向...

消融研究

我们从两个维度开展消融分析：（一）使用TDSC验证集和UMMC测试集全部样本进行整体评估；（二）对筛选子集进行聚焦评估。虽然整体评估提供了全面视角，但可能掩盖模型在部分成功分割案例中的真实能力。为解决此问题，第二维度仅纳入所有模型Dice系数均达到10%以上的样本...

结论

本研究提出的BreAST-U2Net创新性地将双流U2-Net架构与高效通道注意力（ECA）相结合，打造了专攻ABUS的2D分割模型。双流设计使模型能够通过整合相邻切片特征实现最小化短期空间连续性捕捉，而ECA机制则在保持模型简洁性的同时强化了通道级特征判别力。尽管BreAST-U2Net在完整测试集上未持续超越其单流变体，但在合格分割质量（Dice≥10%）的案例中表现出显著优势，在TDSC和UMMC数据集分别达到66.4%和65.2%的Dice分数，彰显其对抗声学伪影与域偏移的强大适应能力。