ThreeF-Net：基于Transformer与CNN细粒度特征融合的乳腺超声图像分割方法

为解决乳腺超声图像中病灶边界模糊、形状不规则及强度分布相似导致的低分割精度问题，研究人员提出ThreeF-Net网络，通过Transformer辅助双编码器架构（TDE）和动态细粒度卷积（DFC）模块，实现局部与全局特征协同学习。实验表明，该模型在三个公开数据集上超越现有方法，为乳腺癌早期诊断提供高精度分割工具。

　　

乳腺超声图像分割是乳腺癌早期诊断的关键环节，但病灶与正常组织的相似强度分布、不规则形态及模糊边界，使得传统卷积神经网络（CNN）难以精准捕捉长程依赖关系，导致分割精度受限。尽管U-Net及其变体（如U-Net++、Att-Unet）在医学影像领域表现优异，但固定感受野的卷积操作仍无法有效建模全局特征。与此同时，Transformer虽能通过自注意力机制（self-attention）解决长程依赖问题，却因缺乏CNN的归纳偏置（inductive bias）而在小规模医学数据上表现欠佳。这一矛盾促使盐城工学院的研究团队提出ThreeF-Net，通过融合CNN与Transformer优势，突破现有技术瓶颈。

研究团队采用Transformer辅助双编码器架构（TDE），其中TDE-C分支专注局部特征提取，TDE-T分支建模全局上下文；设计全局分组特征增强模块（GGFE）优化特征融合，并引入动态细粒度卷积（DFC）模块动态调整卷积核以提升边界分割精度。实验基于BUSI、BUS等公开数据集，通过Dice系数、IoU等指标验证模型性能。

Trans-Dual Encoder Architecture (TDE)
通过并行CNN与Transformer分支，TDE实现局部细节与全局语义的协同学习。CNN分支利用卷积模块捕捉病灶细微结构，而Transformer分支通过自注意力机制建模长程依赖，解决模糊边界问题。

Global Group Feature Extraction (GGFE)
该模块将CNN提取的局部特征与Transformer生成的全局特征按通道分组融合，增强多尺度特征表示能力，显著提升复杂形状病灶的分割稳定性。

Dynamic Fine-grained Convolution (DFC)
DFC通过动态卷积核调整机制，结合低层高分辨率特征优化边界感知。实验表明，DFC使病灶边缘分割错误率降低23.7%，尤其适用于微小病灶。

实验结果
在BUSI数据集上，ThreeF-Net的Dice系数达89.2%，较SKU-Net提升4.5%。消融实验证实，TDE与GGFE联合使用可使IoU提高8.3%，验证了模块设计的有效性。

讨论与结论
ThreeF-Net的创新性体现在三方面：其一，TDE架构首次在乳腺超声分割中实现CNN与Transformer的优势互补；其二，GGFE模块通过分组特征融合解决传统方法忽略的跨尺度关联问题；其三，DFC模块为动态卷积在医学影像中的应用提供新范式。该研究发表于《Computers in Biology and Medicine》，其技术路线可扩展至其他医学图像分割任务，如甲状腺结节或肝脏肿瘤分割。

值得注意的是，ThreeF-Net仍存在计算复杂度较高的问题，未来可通过轻量化设计进一步优化。研究团队强调，该模型的临床价值在于为计算机辅助诊断（CAD）系统提供高精度分割工具，有望提升乳腺癌早期筛查效率。