基于多尺度特征提取的超声图像乳腺结节检测技术优化及其临床价值研究

针对超声图像中乳腺结节因噪声、低对比度及形态多样性导致的检测难题，南京鼓楼医院团队基于YOLOv8框架，创新性提出DWCMF（并行深度可分离卷积与多池化融合）和MSACA（多尺度非对称卷积注意力）模块，结合NWD-IoU混合损失函数，实现96.93%的精确度和95.6% mAP50，为乳腺癌早期诊断提供高效AI解决方案。

　　

乳腺癌已成为全球发病率最高的恶性肿瘤，2020年数据显示其占全球新发癌症病例的12.5%。超声检查因其实时性和经济性成为乳腺结节筛查的重要手段，但图像存在噪声干扰、对比度低等固有缺陷，加之结节形态大小差异显著，传统检测方法易出现漏诊误诊。尽管YOLO系列算法在实时检测中表现优异，但YOLOv8等现有模型对多尺度特征的捕捉能力有限，难以平衡计算效率与细节识别。南京鼓楼医院团队通过改进YOLOv8框架，开发出两种创新模块——DWCMF和MSACA，显著提升了乳腺结节的检测效能。

研究采用南京鼓楼医院提供的12,580张超声图像数据集（含BI-RADS 2-3类结节），通过DWCMF模块实现通道混洗与并行池化策略，将参数量降低30%的同时提升小目标检测能力；MSACA模块则通过非对称卷积核（如3×1与1×3组合）和坐标注意力机制，有效捕获多方向特征。实验采用NWD（归一化Wasserstein距离）与IoU混合损失函数，解决传统边界框回归对微小目标不敏感的问题。

Down-sampling
研究指出传统最大池化会导致空间信息丢失，改进后的跨步卷积保留更多高频细节，为后续多尺度分析奠定基础。

DWCMF模块
通过深度可分离卷积（Depth-Wise Convolution）与多尺度池化（最大池化、平均池化、LP池化）并行结构，在减少70%浮点运算量的情况下，使F1-score提升4.2%。

MSACA模块
引入非对称卷积块（Asymmetric Convolution）与空间-通道双注意力，对<5mm结节的检出率提高至91.3%，假阳性率降低18%。

讨论与结论
尽管在恶性结节数据不足（仅占数据集8%）的情况下，模型仍实现94.57%召回率。该研究首次将NWD损失应用于乳腺超声检测，对<3mm结节定位误差减少42%。南京鼓楼医院伦理委员会（批号AF/SC-08/03.0）确认该技术符合临床标准。通讯作者Jie Yuan指出，DWCMF-MSACA架构可扩展至CT、MRI等多模态影像分析，其开源代码将为AI辅助诊断提供新范式。

（注：全文基于《Biomedical Signal Processing and Control》录用论文，作者Shun Jiang等未声明利益冲突，研究受江苏省自然科学基金BK20231399资助）