增强型多尺度选择性注意力U-net用于乳腺超声图像分割

《MEDICAL PHYSICS》：Enhanced multi-scale selective attention U-net for breast ultrasound image segmentation

乳腺超声图像分割研究提出EMSA U-Net模型，通过多分支膨胀卷积和空间核卷积自适应调整特征融合，显著提升病灶边界检测精度，mDice达68.33%，优于传统U-Net和TransUNet模型。

　　

摘要

背景

在乳腺超声图像中对病变进行准确的分割直接影响了对病变大小、位置和形态特征的评估，在临床诊断和治疗中起着至关重要的作用。然而，由于存在多种固有难题，如噪声干扰、病变与周围组织之间的对比度低以及病变的复杂性和多样性，这项任务仍然极具挑战性。

目的

为了解决这些难题，我们旨在开发一种高效的分割模型，通过整合多尺度上下文信息来增强特征表示，并通过自适应注意力机制改进病变边界检测。具体来说，我们提出了增强型多尺度选择性注意力（EMSA）U-Net，该模型提高了乳腺超声图像的分割准确性。

方法

训练使用了乳腺超声图像（BUSI）数据集和武汉大学的乳腺超声图像（BUSI_WHU）数据集。BUSI_WHU数据集被随机划分为训练集（n = 741）和测试集（n = 186），标签被分类为正常组织、良性肿瘤和恶性肿瘤。BUSI数据集也被随机划分为训练集（n = 452）、验证集（n = 110）和测试集（n = 195），涵盖了不同年龄组的病例，提供了丰富的良性和恶性肿瘤样本。对于上述乳腺超声图像，良性和恶性肿瘤类型被合并为一个类别进行分割。所有图像都经过预处理，统一缩放到480像素的分辨率，并进行了像素值归一化。在训练过程中，采用了随机水平翻转和缩放的数据增强策略来提高模型的泛化能力。然后对数据集中的图像进行重新调整大小，并批量输入模型进行训练。所提出的模型结合了EMSA模块，该模块使用不同核大小的多分支扩张卷积来动态调整感受野，使模型能够捕捉细粒度细节和全局上下文特征。此外，集成的门控机制用于平衡多尺度特征的重要性，可以抑制无关的背景信息并突出疾病特异性模式。另外，引入了空间核卷积（SKConv）模块来选择性地融合空间和语义特征。SKConv根据输入特征自适应调整卷积核，增强了模型从噪声背景中区分病变边界的能力。模型性能主要通过平均Dice相似系数（mDice）和平均交并比（mIoU）进行评估。统计显著性通过配对t检验（显著性水平$$）进行验证，并使用Bonferroni多重检验进行校正。

结果

在BUSI测试集上，我们的模型取得了68.33%的mDice分数。经过Bonferroni校正后，这一结果在统计上显著优于TransUNet（56.80%，$$）、Cohen's $$和U-Net（49.21%，$$、Cohen's $$）。与CSA-UNet（62.41%）相比，我们的模型获得了68.33%，显示出较大的效应量（$$、Cohen's $$），尽管差异未达到校正后的显著性阈值。

结论

所提出的模型有效地实现了自适应多尺度特征学习和上下文感知注意力，从而在乳腺超声图像中获得了更好的分割性能。

利益冲突声明

作者声明没有利益冲突。