基于混合自适应注意力与深度监督引导U-Net的乳腺超声CT图像病灶分割算法研究

为解决乳腺癌早期筛查难题，研究人员开发了混合自适应注意力深度监督引导U-Net（HAA-DSUNet），通过引入混合自适应注意力模块（HAAM）和对比损失函数，显著提升乳腺超声计算机断层扫描（BUCT）图像病灶分割精度。实验在HCH和HCH-PHMC数据集上取得最高Dice分数0.8729和IoU 0.8097，为乳腺癌精准诊断提供新工具。

　　

乳腺癌作为女性第二大致死癌症（仅次于肺癌），尽管过去20年死亡率持续下降，但III-IV期患者生存率仍不乐观。针对这一临床挑战，研究者创新性地提出混合自适应注意力深度监督引导U-Net（HAA-DSUNet）架构，该模型通过三大技术突破实现乳腺超声计算机断层扫描（BUCT）图像的精准分割：首先采用混合自适应注意力模块（HAAM）替代传统卷积模块，在保留局部细节特征的同时捕获全局上下文信息；其次引入对比损失函数对中间层输出进行深度监督，有效缓解上采样过程中的信息丢失；最后通过滤波-分割-形态学处理的三步后优化策略提升最终分割效果。在HCH和HCH-PHMC两个专用数据集上的测试表明，该算法Dice系数达0.8729、交并比(IoU)达0.8097，性能显著超越现有方法，为乳腺癌早期诊断提供了可靠的自动化分析工具。