《Computer Methods and Programs in Biomedicine Update》：USE-MiT: Attention-based model for breast ultrasound images segmentation
编辑推荐：
本研究针对乳腺癌超声图像中病灶边界自动分割精度不足的临床难题，提出了一种融合Mix Transformer编码器与Squeeze and Excitation注意力模块的USE-MiT模型。通过在BUSI和USG数据集上的验证，该模型取得了Dice系数0.88和IoU 0.64的优异性能，显著优于现有方法，为乳腺癌早期诊断提供了更可靠的自动化工具。
乳腺癌是全球女性最常见的恶性肿瘤之一，早期准确诊断对提高患者生存率至关重要。超声成像因其无创、低成本等优势，已成为乳腺癌筛查的重要手段。然而，超声图像固有的低对比度、斑点噪声等特性，使得病灶边界的精确分割极具挑战性。传统分割方法难以适应复杂多变的病灶形态，而现有深度学习模型又存在计算复杂、泛化能力不足等问题。
为解决这一难题，意大利国家研究委员会高性能计算与网络研究所的Nadia Brancati和Maria Frucci团队在《Computer Methods and Programs in Biomedicine Update》上发表了题为"USE-MiT: Attention-based model for breast ultrasound images segmentation"的研究论文。该研究创新性地将Transformer架构与注意力机制相结合，提出了USE-MiT模型，在保持模型简洁性的同时显著提升了分割精度。
研究方法上，作者主要采用了以下关键技术：首先构建基于Mix Transformer（MiT）的编码器替代传统UNet的卷积编码器，以更好地捕获全局上下文信息；其次在编码器与解码器间的跳跃连接中引入ED-SE（Encoder-Decoder Squeeze and Excitation）注意力模块，通过特征重校准增强重要通道的响应；使用BUSI数据集进行4折交叉验证训练，并在独立的USG数据集上测试模型泛化能力；采用Dice系数、IoU等指标进行量化评估，并通过消融实验验证各模块贡献。
研究结果部分显示：
- 1.
在BUSI数据集上，USE-MiT的Dice系数达到0.868，IoU为0.720，优于U2-MNet、DSA-Net等8种对比方法
- 2.
在独立测试集USG上，模型保持强劲性能（Dice=0.880，IoU=0.640），证明其良好泛化能力
- 3.
消融研究表明，MiT-B4编码器与ED-SE模块的组合效果最优，较ResNet34基线提升Dice系数3%
- 4.
统计检验显示USE-MiT与对比模型的性能差异具有显著性（p<0.05）
- 5.
定性分析表明该模型能更精确地勾勒恶性肿瘤的不规则边界
讨论部分指出，USE-MiT的成功得益于MiT编码器在长程依赖建模上的优势，以及ED-SE模块对多尺度特征的有效融合。虽然模型在复杂边界处偶有平滑现象（可能与使用BCE损失函数有关），但其整体性能已显著超越现有方法。该研究为医学图像分割提供了一种新的架构思路，平衡了性能与复杂度，具有重要的临床转化价值。
未来研究方向包括探索不同的损失函数（如Dice Loss）以改善小目标分割效果，并将模型拓展至其他器官的超声图像分析，进一步验证其普适性。这项工作的开源代码已发布在GitHub平台，为后续研究提供了重要基础。
