基于 U-Net 编码器 - 解码器架构改进的乳腺超声图像肿瘤分割研究

为解决超声伪影、斑点噪声等导致的乳腺超声图像精准分割难题，研究人员基于 U-Net 编码器 - 解码器架构开展研究，融合 Res-Net、MultiResUNet 并引入 Co-Block。在 BUSI 数据集上，CResU-Net 的 DSC、IoU 等指标表现优异，提升了分割准确性。

　　图像分割是图像处理中最重要的步骤之一，它是一种根据图像中像素的不同特征将数字图像分割成不同区域的技术。尤其在乳腺癌识别中，乳腺超声图像分割应用广泛，通过图像分割能够有效实现疾病的早期医学影像诊断。然而，由于存在斑点噪声、低信噪比和强度不均匀性等多种超声伪影和噪声，准确分割超声等医学图像仍是一项具有挑战性的任务。本文提出一种基于 U-Net 和编码器 - 解码器架构的神经网络（NN），以 U-Net 为基础，将编码器和解码器部分与其他深度神经网络（Res-Net 和 MultiResUNet）结合，并引入新方法和模块（Co-Block），尽可能保留低层和高层特征。研究使用包含 780 张图像（分为正常、良性和恶性三类）的乳腺超声图像（BUSI）数据集对设计的网络进行评估。在公共乳腺超声数据集上的广泛评估表明，该网络比其他最先进的深度学习方法更准确地分割乳腺病变。仅含 888 万参数的 CResU-Net 在 BUSI 数据集上的骰子相似系数（DSC）、交并比（IoU）、曲线下面积（AUC）和全局准确率（ACC）分别达到 82.88%、77.5%、90.3% 和 98.4%。