基于特征增强查询交互网络（FEQIN）的乳腺超声精准分割技术研究

乳腺超声（BUS）图像分割对乳腺癌诊断至关重要，但现有方法受病灶与周围组织相似性及超声斑点噪声限制。研究人员提出特征增强查询交互网络（FEQIN），通过多尺度特征提取、特征增强模块（FEM）和可变形注意力机制实现精准分割，在三个临床数据集上验证其优越性，为计算机辅助诊断提供新工具。

　　

乳腺超声成像作为乳腺癌筛查的重要手段，因其无辐射特性尤其适用于孕妇和哺乳期女性。然而，超声图像固有的斑点噪声和病灶与周围组织的高相似性，使得精准分割成为临床诊断的难点。传统卷积神经网络（CNN）因局部感受野限制难以捕捉全局特征，而Transformer虽能建模长程依赖，却存在计算成本高、小病灶特征丢失等问题。针对这些挑战，国内研究团队提出了一项创新性解决方案。

发表在《Pattern Recognition》的研究论文中，研究人员设计了一种名为特征增强查询交互网络（FEQIN）的新型架构。该研究通过四个核心技术模块实现突破：采用Swin Transformer作为编码器提取多尺度特征；设计特征增强模块（FEM）通过自适应通道重校准保留小肿瘤特征；引入可变形注意力机制提升多尺度特征融合效率；创新查询交互模块（QIM）利用超声图像中心先验建立空间-语义关联。研究在BUSI、Dataset B等三个公共数据集上验证，样本涵盖25-75岁女性患者的943张超声图像。

Methodology部分显示，FEQIN通过四阶段架构实现端到端分割。编码器采用分层Swin Transformer生成四组特征图（H/4×W/4至H/32×W/32），FEM模块通过通道注意力权重重新校准特征响应，有效缓解小肿瘤特征在传播过程中的衰减。可变形注意力机制将传统自注意力计算复杂度从O(N²)降至O(NK)，其中K为采样点数量（默认K=4）。QIM模块则通过可学习的位置查询（query）与图像特征交互，生成具有空间感知的病灶掩码。

Datasets and evaluation metrics部分详细描述了实验数据：BUSI数据集包含600名患者的780张图像，Dataset B包含163张图像，所有数据均提供像素级标注。评估采用Dice系数、HD95等指标，FEQIN在BUSI上达到91.2%的Dice值，较Mask2Former提升3.1%。Parameter analysis揭示关键超参数优化过程，当查询数N_q=100时模型达到性能峰值，过多查询会导致过拟合。

Conclusion部分强调，FEQIN的创新性体现在三个方面：首次将可变形注意力与查询交互机制结合应用于医学图像分割；通过特征增强保留小病灶细节；利用超声图像中心先验提升定位精度。研究获得国家自然科学基金（62173235、62473266）和广东省基础与应用基础研究基金（2024B1515020059）支持，相关代码已开源。该技术有望集成至超声设备实时辅助诊断，未来将探索在甲状腺、肝脏等器官超声分割中的泛化能力。