基于改进3D UNet++的乳腺超声图像分割技术提升乳腺癌早期诊断效能

本研究针对乳腺超声图像(ABUS)中肿瘤边界模糊、噪声干扰等难题，创新性提出改进3D UNet++模型，通过对比UNet、ResUNet架构，在TSCD-ABUS2023数据集实现Accuracy=0.9911、Dice=0.4930的突破性性能，为计算机辅助诊断(CAD)系统提供高灵敏度、低假阳性的解决方案。

　　

乳腺癌症是全球女性发病率最高的恶性肿瘤，早期筛查对降低死亡率至关重要。然而传统乳腺X线摄影对致密型乳腺组织敏感性不足，而手持式二维超声又存在操作者依赖性高、无法全乳扫描等局限。尽管自动乳腺超声(ABUS)技术能提供三维全乳成像，但医生手动分析耗时且易漏诊，特别是对于形态不规则、边界模糊的小肿瘤病灶。这些挑战催生了计算机辅助诊断(CAD)系统的迫切需求，而精准的肿瘤分割技术正是其中的关键瓶颈。

针对这一难题，研究人员在《WFUMB Ultrasound Open》发表论文，系统评估了UNet、ResUNet和UNet++三种深度学习架构在ABUS图像分割与分类中的性能。研究采用TSCD-ABUS2023数据集（含400例3D样本），通过11折交叉验证比较发现，改进的3D UNet++模型在保持高检测灵敏度(Recall=0.9830)的同时，将假阳性率(FP)控制在0.026，分类准确率(Accuracy)达0.9911，显著优于传统架构。

关键技术方法包括：1) 采用嵌套密集跳跃连接的UNet++架构优化多尺度特征提取；2) 引入距离分类图预测(DC)与分割任务的联合损失函数（公式3：L=λ₁
L_seg
+λ₂
L_DC
）；3) 通过PSPPooling模块融合不同层级特征；4) 使用Adam优化器与分类交叉熵+Dice复合损失函数训练模型。

【研究结果】

1. 模型性能对比
   在11次迭代测试中，UNet++在7次迭代取得最高准确率（如第4次迭代Accuracy=0.9911），AUROC均值达0.9761。ResUNet虽在部分指标（如第3次AUROC=0.9775）表现优异，但稳定性不及UNet++。传统UNet则出现极端波动（第8次Accuracy骤降至0.4022）。

2. 分割效能分析
   UNet++在多数迭代中保持Dice系数领先，最佳值达0.4930（第10次），较UNet（0.4468）和ResUNet（0.4684）提升显著。特别在第七次迭代，UNet++与UNet同时达到峰值Dice=0.6716，证明嵌套跳跃连接对保留肿瘤边界信息的优势。

3. 参数敏感性验证
   批量大小测试显示，UNet++在8-128范围内性能稳定，而64批次会普遍降低模型精度（图10）。丢弃率(Dropout)实验证实0.5为最优值（图11），过高设置（如0.9）会导致特征丢失。

【结论与展望】
该研究证实，改进的3D UNet++通过密集跳跃路径和多重全分辨率特征融合，有效解决了ABUS图像中肿瘤尺寸变异大、边界模糊等分割难题。其创新性联合损失函数设计（公式4）同时优化了像素级分割精度与整体形态学特征，为临床提供可解释性强的量化指标。

未来工作将聚焦于：1) 整合多模态数据（如MRI）提升小肿瘤检出率；2) 开发轻量化模型实现实时推理；3) 探索自监督学习缓解标注数据稀缺问题。这项技术有望成为放射科医生的"第二双眼"，推动乳腺癌早期诊断进入智能化新阶段。