基于特征聚焦增强AE-YOLO的乳腺肿块检测方法研究

来自多机构的研究团队针对乳腺钼靶影像中微小肿块形态不规则、背景复杂导致的检测灵敏度与精度不足问题，开发了融合聚合动态卷积(ADC)和视觉增强模块(VEB)的AE-YOLO模型。该研究在DDSM/MIAS数据集上实现85.0%精确度与84.9% mAP50，显著提升乳腺癌早期筛查效能，且模块具备跨数据集迁移泛化能力。

　　

乳腺X线摄影（Mammography）仍是乳腺癌早期筛查的核心影像学手段，但微小肿块尺寸、不规则形态及复杂背景组织常制约计算机辅助检测系统（CAD）的敏感性与精确度。本研究提出AE-YOLO模型，通过对YOLOv8框架集成两大创新模块：聚合动态卷积（Aggregated Dynamic Convolution, ADC）可动态调整卷积核在通道维度与空间维度的权重分配以强化特征提取能力；视觉增强模块（Visual Enhancement Block, VEB）则包含基于轻量化Transformer架构的全局上下文捕获单元（TFormer）以及用于抑制冗余特征并优化肿块特征表达的特征重构中心（Feature Reconstruction Center, FRC）。在DDSM和MIAS两大公共乳腺影像数据集上的实验表明，AE-YOLO达到85.0%精确率、77.2%召回率、84.9% mAP₅₀及48.4% mAP_50:95，性能超越现有最优模型。此外，ADC与VEB模块具有骨架网络无关性与影像源适应性，可无缝集成至其他乳腺检测流程（如INbreast数据集），并在多分辨率数据中持续提升肿块检测效能。