DCCE-UNet：一种面向超声图像分割的差异与上下文感知对比度增强框架

《BMC Medical Imaging》：DCCE-UNet: a difference and context-aware contrast enhanced framework for ultrasound image segmentation

为解决超声图像中病灶边界模糊、组织对比度低及形态不规则等挑战，Wang等人提出了一种结构感知与上下文增强的分割框架DCCE-UNet。该研究通过引入多源注意力引导语义生成模块（MASG）、双向差异感知注意力模块（BDA）和上下文感知引导模块（CAG），显著提升了分割精度。实验表明，DCCE-UNet在BUSI和TN3K数据集上Dice系数分别达到79.85%和89.29%，优于现有方法，为超声辅助诊断提供了可靠工具。

　　

超声成像凭借其无创、安全、实时等优点，已成为临床筛查和诊断的重要工具。然而，超声图像固有的斑点噪声、信号衰减和低对比度等问题，导致病灶边界模糊、灰度不均匀和形态不规则，使得精准分割极具挑战。传统的分割方法多依赖手工特征（如纹理描述符、边缘图谱等），虽具有一定可解释性，但对图像质量变化敏感，在复杂噪声条件下的鲁棒性不足。随着深度学习的发展，U-Net、全卷积网络（FCN）等模型在医学图像分割中取得显著进展，但现有方法在捕捉病灶与周围组织间的细粒度结构差异、方向感知的空间依赖关系以及前景-背景可分性方面仍存在局限，尤其在边界模糊或异质性纹理区域容易产生不完整或过度平滑的分割结果。

为此，Wang等人发表在《BMC Medical Imaging》上的研究提出了一种新颖的DCCE-UNet框架，旨在通过融合结构感知与上下文增强机制，提升超声图像分割的准确性和鲁棒性。

本研究主要依托U-Net架构，引入了三个关键模块：多源注意力引导语义生成块（MASG）用于增强多尺度语义提取，通过对比浅层前景特征与深层背景特征生成注意力图，并结合多孔卷积捕捉多尺度上下文信息；双向差异感知注意力模块（BDA）嵌入跳跃连接路径，通过特征差异建模与空间方差感知强化边界定位；上下文感知引导模块（CAG）则利用方向性深度可分离卷积捕获轴向空间依赖，提升边界敏感性。研究在公开乳腺超声数据集BUSI（含349例良性、168例恶性图像）和甲状腺结节数据集TN3K（含1527例良性、738例恶性图像）上进行了验证，采用随机划分（8:1:1）进行训练与测试，使用包含交叉熵损失、Dice损失及辅助监督损失的混合目标函数进行优化。

Results

在BUSI数据集上，DCCE-UNet的Dice系数达79.85%，IoU为66.46%，准确率为96.82%，召回率为88.37%，均优于对比方法（如DBUNet、HEATNet等）。在TN3K数据集上，Dice系数进一步提升至89.29%，IoU达88.83%，准确率为97.34%。消融实验显示，逐步添加BDA、CAG和MASG模块均带来性能提升，其中MASG对多尺度语义增强贡献显著。可视化结果证实，DCCE-UNet在边界模糊、小病灶等挑战性案例中能生成更完整、准确的轮廓。

Discussion

DCCE-UNet通过模块化设计有效应对了超声分割中的边界模糊与低对比度问题：MASG增强语义对比以提升前景-背景可分性；BDA捕捉编码器-解码器间的结构差异以优化边界定位；CAG利用方向性上下文依赖恢复边界连续性。尽管模型参数量（8.80M）和计算量（8.70 GFLOPs）略高于基础U-Net，但其在保持较高推理速度（209 FPS）的同时实现了最优分割性能。研究局限性包括对极端成像伪影（如声影、混响）的适应性未充分验证，以及当前仅支持单类分割。未来工作可探索模型压缩、多模态信息融合（如弹性成像、多普勒血流）及视频序列分析以拓展临床适用性。

Conclusions

DCCE-UNet作为一种结构感知与上下文增强的分割框架，通过MASG、BDA和CAG模块的协同作用，显著提升了超声图像中病灶区域的定位与边界勾勒精度。在多个公开数据集上的实验验证了其优越性，表明该框架在超声辅助诊断与介入规划中具有广泛应用潜力。