LRA-UNet：一种基于大接收场注意力机制的U-Net模型，用于超声图像中乳腺病变的分割

《Knowledge-Based Systems》：LRA-UNet: Large Receptive-field Attention-enhanced U-Net for Breast Lesion Segmentation in Ultrasound Images

乳腺癌超声图像分割面临斑点噪声、复杂解剖结构及病灶形态多变等挑战，本文提出LRA-UNet模型，通过LRFE提取多尺度上下文特征，SCAM融合空间-通道注意力增强局部响应，GAM利用ViT自注意力捕捉全局依赖，有效抑制噪声并精确定位边界。实验表明其优于12种SOTA方法。

　　乳腺癌是一种严重威胁女性健康和生命的疾病，是女性死亡率最高的常见疾病之一。据美国癌症协会2024年的最新统计数据显示，美国每年新增的乳腺癌患者近313,510例，预计有42,780例将导致死亡。因此，早期检测和准确评估成为预防和有效管理乳腺癌的关键环节。乳腺超声（Breast Ultrasound, BUS）因其实时性、无辐射性和经济性，被广泛应用于乳腺癌的早期筛查中。然而，乳腺超声图像的分割仍面临诸多挑战，尤其是在病变区域的边界识别方面。

在乳腺超声图像中，由于成像技术本身的局限性以及环境因素的不确定性，图像常常出现模糊、伪影和回声不均等问题。这些现象不仅影响图像的清晰度，还增加了病变区域与正常组织之间的区分难度。此外，乳腺组织结构复杂，由脂肪组织、乳腺小叶和结缔组织等多种成分组成，这些结构在超声图像中呈现出多样的影像特征，使得病变区域的识别更加困难。例如，病变区域可能与周围正常组织在灰度上相似，形成交替明暗的影像特征；或者病变区域可能呈现出类似腹膜的强回声结构，这种伪腹膜现象需要特别注意，以避免误判。此外，病变的大小、形状和位置存在较大差异，某些大型病变可能伴随纤维化和坏死，导致囊性与实质性组织并存，形成所谓的“囊实性病变”，表现出类似边界的现象，进一步增加了分割的复杂性。

鉴于上述挑战，研究者们提出了多种方法来提高乳腺超声图像中病变区域的分割精度。早期的研究主要依赖于传统图像处理技术，如基于概率密度差的主动轮廓模型（Active Contour Model）[9]，以及结合水线算法和索贝尔算子的三维分割方法[10]。然而，这些方法在处理复杂的超声图像变化时表现出一定的局限性，尤其是在特征提取和边界识别方面。随着深度学习技术的发展，许多研究开始探索基于卷积神经网络（Convolutional Neural Network, CNN）的分割方法。例如，Chen等人[11]提出了一种级联的卷积神经网络，结合U-Net模型，以解决乳腺超声图像中复杂病变变化的问题。Xue等人[12]则设计了一种全局引导网络，用于学习超声图像中长距离的非局部依赖关系，从而提高分割的准确性。尽管这些方法在一定程度上提高了分割性能，但在处理大型病变或具有复杂强度分布的病变时仍存在不足，导致部分边界信息未能被准确捕捉。

针对现有方法在处理复杂病变时的局限性，本文提出了一种新的深度学习模型——大型感受野注意力增强U-Net（Large Receptive-Field Attention-Enhanced U-Net，简称LRA-UNet），专门用于乳腺超声图像的自动化分割任务。LRA-UNet通过引入大型感受野特征提取器（Large Receptive-Field Feature Extractor, LRFE）、空间增强通道注意力模块（Spatial-Enhanced Channel Attention Module, SCAM）和全局意识模块（Global Awareness Module, GAM）来增强模型的特征提取和边界识别能力。这些模块的协同作用使得LRA-UNet能够在复杂场景下更准确地捕捉病变区域的边界信息，从而提高分割质量。

LRFE模块的设计旨在通过多尺度特征的交互来获取丰富的病变相关上下文信息。传统的大型卷积核或空洞卷积虽然能够扩大感受野，但计算成本较高。相比之下，LRFE采用深度可分离卷积（Depthwise Separable Convolution）和残差结构（Residual Structure），能够在保持较低计算成本的同时，有效扩大感受野，从而更好地捕捉病变区域的复杂特征。这种设计不仅提升了模型对全局信息的理解能力，还增强了对局部细节的识别效果。

SCAM模块的作用在于增强LRFE提取的特征表示，使其更加聚焦于病变区域。该模块通过不同编码核的池化层来提取垂直和水平方向的空间特征，并结合通道注意力机制，对空间和通道信息进行联合学习，从而增强特征的表达能力。SCAM能够帮助网络在特征增强过程中过滤掉低维噪声信息，如模糊、伪影和回声不均，使得病变区域的特征更加突出，提高分割的准确性。

GAM模块则嵌入在LRA-UNet的瓶颈层中，用于建立全局特征之间的依赖关系，并挖掘潜在的边界感知特征。该模块采用视觉Transformer（Vision Transformer, ViT）中的单个自注意力机制，通过分析不同大小的图像块之间的细微差异，捕捉全局信息，并提取出具有边界感知能力的高维特征。这种全局意识的引入使得LRA-UNet在处理复杂病变时能够更好地理解其整体结构，从而更精确地识别病变边界。

通过上述模块的集成，LRA-UNet能够在复杂的乳腺超声图像中实现更精细的分割效果。实验结果表明，LRA-UNet在三个具有挑战性的公开数据集上均表现出色，显著优于12种现有的先进分割模型。这一结果不仅验证了LRA-UNet在乳腺超声图像分割任务中的有效性，也凸显了其在临床应用中的潜力。LRA-UNet能够帮助放射科医生更准确地识别病变区域，提高早期筛查和诊断的效率，从而为乳腺癌的预防和治疗提供更可靠的技术支持。

此外，本文还对LRA-UNet的贡献进行了详细阐述。首先，LRA-UNet提出了一种新的自动化乳腺病变分割方法，通过结合全局和局部视角，提升了模型对复杂病变特征的理解能力。其次，LRFE模块的引入使得模型能够在较低计算成本的前提下，有效扩大感受野，从而更全面地捕捉病变区域的上下文信息。第三，SCAM模块通过空间和通道信息的联合学习，增强了特征表示能力，使网络能够更专注于病变区域，同时抑制噪声干扰。第四，GAM模块的嵌入使得模型能够在更深层次的卷积层中挖掘全局依赖关系，进一步提升分割精度。

在实验部分，本文对三个公开数据集进行了全面评估。这些数据集包含了大量具有挑战性的乳腺超声图像，涵盖了良性、恶性和正常组织等多种类型。实验结果显示，LRA-UNet在多个指标上均优于现有方法，包括Dice系数、交并比（IoU）和分割精度等。同时，通过消融实验进一步验证了各个模块对模型性能的影响，证明了LRA-UNet在结构设计上的优越性。此外，与其他先进模型的对比实验也表明，LRA-UNet在处理复杂病变时具有更强的鲁棒性和适应性，能够在不同的临床场景中保持较高的分割效果。

本文的研究不仅在技术层面取得了突破，还对乳腺癌的早期筛查和诊断具有重要的临床意义。通过实现更精确的病变分割，LRA-UNet能够为医生提供更可靠的诊断依据，有助于制定个性化的治疗方案。同时，该模型的自动化特性也降低了医生的工作负担，提高了诊断效率。随着人工智能技术的不断发展，LRA-UNet的提出为乳腺超声图像分割提供了一种新的解决方案，有望在未来临床实践中发挥更大的作用。

综上所述，本文提出的LRA-UNet模型通过引入大型感受野特征提取器、空间增强通道注意力模块和全局意识模块，有效解决了乳腺超声图像分割中的关键问题。实验结果表明，该模型在三个挑战性数据集上均表现出色，显著优于现有方法。这一研究成果不仅推动了医学图像分割技术的发展，也为乳腺癌的早期筛查和诊断提供了强有力的技术支持。未来，随着更多临床数据的积累和模型的不断优化，LRA-UNet有望在实际应用中进一步提升其性能，为乳腺癌的防治工作做出更大贡献。