基于Nesterov加速Adam优化器和注意力机制的乳腺癌超声图像检测新方法

本研究针对乳腺癌超声图像检测中传统方法依赖人工特征提取、效率低下等问题，开发了集成注意力机制的MobileNet-V2模型，采用Nadam优化器提升性能。实验在BUSI数据集上取得99.1%准确率、1.0 AUC的优异表现，为临床提供高效精准的计算机辅助诊断方案。

　　

乳腺癌长期位居女性恶性肿瘤发病率首位，2024年美国新发病例占女性癌症总数的32%。传统诊断依赖放射科医师手动分析超声图像，存在主观性强、效率低下等问题。尽管卷积神经网络(CNN)在医学影像分析中展现出潜力，但现有方法仍面临计算复杂度高、小样本数据下泛化能力不足等挑战。

埃及达米埃塔大学信息技术系的研究团队在《Scientific Reports》发表创新成果，提出集成注意力机制的MobileNet-V2架构，结合Nesterov加速Adam(Nadam)优化器，实现了乳腺癌超声图像的精准分类。该研究通过预处理（包括中值滤波去噪和图像归一化）、数据增强（旋转/翻转/模糊/对比度调整）等技术处理BUSI数据集，采用迁移学习策略微调预训练模型，并创新性地在最终卷积层后加入注意力模块以聚焦病灶区域。

主要技术路线包含：1）采用包含780张超声图像的BUSI数据集，三类标注（正常/良性/恶性）；2）构建基于MobileNet-V2的主干网络，集成通道-空间注意力机制；3）对比SGDM、Adam和Nadam三种优化器的性能差异；4）通过80:20划分和10折交叉验证评估模型。

【数据预处理】研究表明，原始数据直接训练时平均准确率仅65.8%，经去噪+归一化+增强后显著提升至99.1%。消融实验证实各预处理步骤的贡献：去噪使准确率提高11.4%，归一化再增11.7%，数据增强最终带来10.2%的提升。

【优化器比较】Nadam展现出最优性能，其结合Nesterov动量与自适应学习率的特性有效处理了超声图像中的梯度噪声。在80:20划分下，Nadam优化模型取得99.7%灵敏度、99.5%特异性，显著优于Adam（98.8%/98.0%）和SGDM（97.5%/96.9%）。统计检验显示差异具有显著性（p<0.05）。

【注意力机制】可视化分析表明，注意力模块能准确聚焦肿瘤区域，抑制无关组织干扰。这种特性使模型在保持MobileNet-V2轻量级优势（仅13MB）的同时，达到与复杂模型相当的精度。

【跨验证对比】10折交叉验证中模型保持稳定性能（98.7%准确率），证实其泛化能力。与现有方法相比，该模型在BUSI数据集上超越Sahu等（97.5%）、Tagnamas等（86.0%）的最佳结果。

这项研究的重要意义在于：1）临床层面，为资源有限的医疗机构提供可部署在便携设备（如树莓派）的高效诊断工具，实测单图推理耗时仅15ms（GPU）；2）方法论层面，证实Nadam优化器在医学图像分析中的优势，其自适应学习率与前瞻梯度估计的协同作用，为类似研究提供新思路；3）技术整合方面，首次将MobileNet-V2的轻量化特性与注意力机制结合，平衡了精度与效率的需求。

未来工作将聚焦多中心数据验证、采集参数标准化，以及伦理合规性研究。当前局限包括数据集单一（仅来自埃及某中心）、缺乏患者亚组分析等。该成果为AI辅助乳腺癌诊断向临床转化迈出重要一步，其技术框架也可拓展至其他医学影像分析领域。