基于多分支跳跃连接搜索的乳腺超声图像分割：提升诊断精度的新突破

为降低神经网络设计成本、提高乳腺超声图像分割精度，研究人员开展基于多分支跳跃连接搜索的编码器 - 解码器神经网络架构研究。该方法约两小时找到最优模型，在 BUSI 和 OASBUD 数据集上 Dice 分数分别约 85.94% 和 84.44% ，优于 AAU - Net 等，助力精准诊断和个性化治疗。

　　为了降低设计神经网络的成本并提高乳腺超声（BUS）图像分割的准确性，提出了一种编码器 - 解码器神经网络架构搜索方法，专门用于自动构建分割模型。首先，设计了一个多分支跳跃连接模块，每个分支使用不同的操作从通道子集中提取不同尺度和类型的特征。随后，引入了一种可学习的操作权重搜索策略，该策略利用 Gumbel - Softmax 对离散操作权重进行重新参数化。这种策略通过共享和非共享方法在多分支跳跃连接模块中探索最优操作。候选神经网络分别包含采用 Swin - Unet 中的 Swin Transformer 和 TransUNet 中的卷积块的编码器 - 解码器块对。实验结果表明，该方法大约在两小时内识别出最优的编码器 - 解码器模型。自动构建的模型实现了卓越的分割精度，在 BUSI 和 OASBUD 数据集上的 Dice 分数分别约为 85.94% 和 84.44%。它优于最先进的（SOTA）方法，如 AAU - Net、SK - U - Net 和 TransUNet。高精度的分割结果能够清晰定位病变边界，从而降低漏诊风险。该模型的定量指标，如病变面积和形态，可以无缝地整合到诊断报告中，有助于制定个性化的治疗方案。