边界-内部比率：一种用于基于 CNN 和 Mamba 的乳腺超声分割的空间分解评估框架

《Scientific Reports》：Boundary-interior ratio: a spatially decomposed evaluation framework for CNN and mamba-based breast ultrasound segmentation

　　

摘要

超声成像中的乳腺肿瘤分割既需要精细的边界界定，也需要全局上下文理解。现有的评估指标（如 Dice 相似系数）提供了整体性能估计，但未能区分肿瘤边界区域和内部区域的分割行为。本研究提出了一项基于假设的比较评估，旨在检查 CNN、纯 SSM 和混合 SSM-CNN 架构是否表现出不同的边界 - 内部分割特征。U-Net（ResNet-34 编码器）、Vision Mamba（纯 SSM）和 VM-UNet（混合 SSM-CNN）在 3,333 张乳腺超声图像（BUSI, BUS-BRA, BUS-UC）上进行训练，并在三个独立站点（BrEaST, BLUI, BUS-UCLM; n = 748）上进行外部验证。我们引入了边界 - 内部比率（BIR），这是一种空间分解指标，用于量化边界区域和内部区域之间的相对分割性能，并结合基于 Grad-CAM 的边界 - 内部激活比率（BIAR）进行机制分析。一项包含四个变体的结构化消融研究考察了跳跃连接、VSS 块和层次编码的贡献。U-Net 取得了最高的内部 Dice（0.874）和最强的外部泛化能力（平均 Dice = 0.771）。两种基于 SSM 的架构的 BIR 均高于 U-Net（VM-UNet: 0.707; Vision Mamba: 0.722 vs. U-Net: 0.683），表明其相对边界 - 内部性能特征有所不同。消融研究表明，移除 VSS 块可显著改善绝对分割性能（Dice: 0.777→0.832; HD95: 18.75→12.61 像素），同时保持 BIR 基本不变（0.707→0.708），而移除跳跃连接则产生了最大的 BIR 变化（0.707→0.652）。这些发现表明，整体分割质量和边界 - 内部性能提供了互补信息，且 BIR 揭示了仅靠 Dice 无法捕捉的架构差异。消融结果进一步表明，在目前训练配置下，层次编码和跳跃连接路径分别对整体分割性能和 BIR 变化的影响，大于单独包含 VSS 块的影响。在目前训练配置下，所评估的 SSM 架构并未提供绝对的性能优势，这凸显了未来使用预训练 SSM 表示进行评估的必要性。