基于频率感知多尺度空间注意力网络的自动乳腺超声图像增益质量分级

《BMC Medical Imaging》：FAMSA-Net: frequency-aware multi-scale spatial attention network for gain quality grading in automated breast ultrasound images

　　增益设置影响自动乳腺超声（ABUS）图像的亮度和对比度，不合适的增益可能会模糊病灶边界、改变组织回声特性，从而降低临床判读能力。目前的增益调节在很大程度上依赖于操作者的经验，导致存在操作者内和操作者间的变异性。本研究旨在为ABUS图像开发一种自动化且客观的增益质量分级框架，以减少主观变异性并促进标准化图像采集。我们从云南省肿瘤医院收集了一个包含31,628张图像的大规模ABUS数据集，包括五种增益质量类别：不足、偏低、最优、偏高和过高。我们提出了频率感知多尺度空间注意力网络（FAMSA-Net）用于增益质量分级。设计了增益判别残差块和多尺度增益融合（MSGF）模块，以捕捉多个特征尺度上的增益敏感特征。此外，我们集成了频域增强（FDE）以放大与增益相关的频率线索、空间变换网络（STN）以空间对齐乳腺解剖结构，以及上下文感知池化（CAP）以自适应聚合上下文信息。实验结果表明，FAMSA-Net达到了95.49%的准确率，分别比DenseNet121（91.30%）和EfficientNetB3（89.93%）高出4.19%和5.56%。FAMSA-Net使用16.58M参数和4.34 GFLOPs，比DenseNet121和EfficientNetB3更高效。消融实验表明，移除STN导致准确率下降最大，从95.49%降至83.76%。相比之下，在GAP池化设置下，移除FDE或MSGF分别将准确率提高至90.77%和90.01%，表明各模块的贡献并非简单的累加关系。此外，在将GAP替换为CAP后，完整模型达到了95.49%的峰值准确率，这表明上下文聚合对于模块的有效协作至关重要。