基于混合深度学习架构的超声乳腺病变分割与分类模型研究与评估

《Scientific Reports》：A transformer-enhanced U-Net with FiLM-driven clinical conditioning for multi-task breast ultrasound lesion analysis

　　

摘要

乳腺癌仍然是全球女性癌症相关死亡的主要原因之一。利用无创成像技术早期且准确地检测乳腺病变对于改善及时诊断、治疗结果和患者预后至关重要。本研究旨在开发并评估用于超声图像中乳腺病变分割和分类的混合深度学习模型，并采用患者级交叉验证方法进行验证。诸如低对比度、成像伪影以及病变形态不规则等挑战可能限制诊断的准确性，这突显了需要先进的深度学习方法来进行可靠的乳腺病变分析。深度学习的最新进展，特别是结合卷积层和Transformer表示的混合架构，在解决这些限制方面显示出潜力。我们提出了三种混合深度学习（HDL）模型。使用Breast-Lesions-USG数据集对这三种互补的深度学习模型进行了乳腺病变分类和分割的评估。模型1采用了基于ResNet-34的DoubleHeadUNet结构；模型2将Swin V2 Transformer与U-Net解码器结合在一起；模型3则集成了Hybrid Transformer-FiLM U-Net以纳入临床元数据。实验采用了严格的患者分离和嵌套超参数选择的患者级五折交叉验证方法。模型1达到了最高的准确率（82.94%）和AUC值（87.70%），而模型3表现出最高的恶性病变召回率（81.63%）以及最强的分割性能（Dice值：0.901；IoU值：0.825）。模型2的准确率为79.76%，AUC值为87.54%。统计分析表明，大部分准确率差异并不显著，这支持了这三种模型各自的互补优势，而非存在一种普遍更优的方法。由于数据集和评估协议的差异，将本研究与之前的研究进行比较具有一定的参考价值。