基于解耦特征学习网络（DFLNet）的乳腺癌超声图像精准分割新方法

针对乳腺癌超声图像中病灶形态多样性和伪病灶干扰导致的精准分割难题，武汉大学人民医院团队提出解耦特征学习网络（DFLNet），通过并行ConvNext块和可逆连接实现多层次特征解耦，结合空间交叉注意力模块（SCA）增强病灶判别力。在BUSI-WHU等数据集上超越12种对比方法，为临床诊断提供新工具。

　　

乳腺癌是全球女性健康的首要威胁之一，早期精准诊断对提高生存率至关重要。超声成像因其无创、便捷的特点成为筛查首选手段，但病灶形态的高度异质性和图像中伪影、伪病灶的干扰，使得传统分割方法难以满足临床需求。现有基于UNet的改进模型虽能捕捉局部特征，但对全局上下文和特征解耦的建模仍显不足。武汉大学人民医院团队在《Digital Signal Processing》发表的研究，提出解耦特征学习网络（DFLNet），为这一难题提供创新解决方案。

研究采用多技术协同策略：1）解耦学习编码器（DLE）通过并行ConvNext块分别提取纹理与语义特征，利用可逆连接实现特征交互；2）空间交叉注意力模块（SCA）通过残差堆叠的空间注意力和交叉注意力机制抑制伪病灶干扰；3）基于武汉大学人民医院774例患者临床数据构建BUSI-WHU数据集，增强模型泛化性。

网络概述
DFLNet通过DLE实现多层次特征解耦，低层网络捕获边缘/纹理特征，深层网络聚焦语义信息。可逆连接确保特征传输无损，克服传统UNet的语义鸿沟问题。

实验结果
在Dataset-B、BUSI和自建BUSI-WHU数据集上，DFLNet的Dice系数达89.7%，较UCTransNet提升3.2%。SCA模块使伪病灶误检率降低41%，可视化显示其对微小病灶（<5mm）的捕捉能力显著优于HCTNet。

讨论与结论
该研究首次将特征解耦理论系统应用于乳腺癌超声分割，DLE和SCA的协同设计为复杂医学图像分析提供新范式。临床验证表明，DFLNet对囊实性混合病灶的分割准确率较人工标注差异仅2.3%，有望辅助医生提升诊断效率。BUSI-WHU数据集的发布填补了亚洲人群超声数据的空白，其多中心验证结果（AUC=0.923）证实了普适性。

研究得到国家自然科学基金（62475198）等支持，技术方案已申请专利。未来工作将探索DFLNet在甲状腺结节等病灶分割中的迁移应用，进一步验证解耦学习在医学AI中的通用价值。