《Mathematics》：RDPA-UNet: Differential-Path Feature Learning and Multi-Scale Context Aggregation for Ultrasound Lesion Segmentation
编辑推荐：
超声图像中的准确病变分割仍因严重斑点噪声、低组织对比度、模糊边界以及病变形态和尺度的显著差异而具有挑战性。为解决这些局限，研究人员提出RDPA-UNet，一种增强型U型网络，将差分路径特征建模与多尺度上下文聚合相结合。首先，采用配备组归一化（Group Nor
超声图像中的准确病变分割仍因严重斑点噪声、低组织对比度、模糊边界以及病变形态和尺度的显著差异而具有挑战性。为解决这些局限，研究人员提出RDPA-UNet，一种增强型U型网络，将差分路径特征建模与多尺度上下文聚合相结合。首先，采用配备组归一化（Group Normalization）的残差卷积主干，以促进特征传播并在小批量训练下稳定优化。其次，引入差分路径特征（Differential-Path Feature, DPF）模块，联合编码来自不同感受野的局部细节响应和膨胀上下文响应，并显式建模其逐元素绝对差，以量化跨感受野响应差异，为后续特征融合提供互补的结构信息。第三，残差多尺度空洞空间金字塔池化（Residual Multi-scale Atrous Spatial Pyramid Pooling, RMASPP）瓶颈在多个感受野上聚合高层语义信息并细化融合表示，从而改善对异质大小和不规则轮廓病变的勾画。所提方法在BUSI、DDTI和Hemangioma数据集以及混合数据设置下采用五折交叉验证进行评估。RDPA-UNet分别实现了78.30%、77.05%、83.58%和77.08%的平均Dice分数，以及69.45%、66.05%、74.12%和67.10%的平均IoU分数。它在全部四种数据集设置中均取得了最高的平均Dice和IoU分数，并在BUSI、DDTI和混合数据设置中获得最低的平均HD95，同时在Hemangioma上取得第二好的HD95。消融实验进一步证明了残差编码、差分路径特征建模和多尺度上下文聚合的有效性与互补性。这些结果表明，RDPA-UNet在异质超声数据集上提供了鲁棒的病变分割性能，同时保持了有竞争力的边界定位精度。
论文解读：RDPA-UNet在超声病变分割中的设计与验证
超声成像因无创、实时和低成本在临床诊断中广泛应用，但超声图像中的病变分割长期面临严重斑点噪声、组织对比度低、边界模糊以及病变形态和尺度差异大等挑战。这些因素容易导致边界泄漏、分割不完整和假阳性区域。尽管基于U-Net的各类改进模型通过跨尺度融合和上下文建模提升了分割性能，但现有方法通常直接融合来自不同感受野的特征，未显式建模它们之间的响应差异。局部细节与上下文语义在超声分割中作用互补：局部卷积能保留细微结构，但可能放大斑点响应；过度上下文聚合则会削弱精细边界。因此，研究人员提出RDPA-UNet，一种增强型U型网络，将差分路径特征建模与多尺度上下文聚合相结合，以应对上述问题。该研究发表于《Mathematics》。
研究人员在BUSI（647幅乳腺超声图像）、DDTI（464幅甲状腺超声图像）、Hemangioma（215幅血管瘤超声图像）以及三种数据混合设置下，采用五折交叉验证评估模型性能。所有模型在相同数据划分、输入分辨率、预处理、优化器、学习率调度和损失函数下从零训练，以控制变量。与U-Net、U-Net++、Attention U-Net、CS2-Net、DeepLabv3和TransUNet六种代表性基线相比，RDPA-UNet在全部数据集设置中获得最高平均Dice和IoU分数，在BUSI、DDTI和混合数据设置中取得最低平均HD95，在Hemangioma上位列第二，表明其在区域重叠和边界定位上的综合优势。
研究内容分为四个主要部分：首先，构建了带组归一化的残差卷积编码主干，每个残差块包含两个3×3卷积，使用组归一化和SiLU激活，并通过投影捷径连接实现恒等映射，改善了小批量训练下的优化稳定性。其次，设计了差分路径特征（DPF）模块，该模块包含局部深度卷积路径和膨胀上下文路径，分别提取局部细节与上下文信息，并显式计算两者逐元素绝对差作为跨感受野响应差异的度量，将局部、上下文和差分特征拼接后经卷积压缩并生成残差增量，从而提供互补结构信息。第三，提出残差多尺度空洞空间金字塔池化（RMASPP）瓶颈，包含一个1×1卷积分支和三个膨胀率分别为2、4、6的3×3空洞卷积分支，在保持空间分辨率的同时聚合多尺度上下文，并通过残差块细化融合表示。最后，采用Dice损失与二元交叉熵损失等权重组合训练网络。
在4.1节实验设置中，研究人员统一使用256×256输入分辨率、AdamW优化器、150轮训练和五折交叉验证，并报告Dice、IoU和HD95指标。4.2节与现有模型的比较实验表明，RDPA-UNet在四个数据集设置中均达到最高Dice和IoU，例如在BUSI上Dice为78.30%、IoU为69.45%、HD95为25.98，在混合数据设置中Dice为77.08%、IoU为67.10%、HD95为24.72，其性能优势在不同数据划分中保持稳定。4.3节渐进式消融实验显示，从标准U-Net（E1）到加入残差组归一化编码（E2）、再引入DPF模块（E3）、最后加入RMASPP瓶颈（E4），Dice和IoU逐步提升，HD95不断下降，证明各组件互补有效。4.3.1节对DPF模块的内部消融表明，相比仅拼接两路径特征，加入绝对差特征后Dice在四个设置中额外提升0.26至0.63个百分点，同时HD95降低，证实差分特征提供了超越简单拼接的补充信息；但研究人员也指出该变体融合通道数不同，性能增益不能完全归因于绝对差操作。4.3.2节对RMASPP瓶颈的消融显示，与带全局平均池化（GAP）分支的变体相比，无GAP的RMASPP在Dice、IoU和HD95上均更优，表明空间解析的多尺度卷积分支已充分提供上下文，GAP分支未带来额外增益。4.4节计算复杂度分析表明，RDPA-UNet参数量为48.92M，FLOPs为79.50G，GPU显存占用1.96GB，单幅推理时间16.80ms，相比TransUNet显著降低了参数和延迟，但高于更简单的U-Net变体，体现了性能与计算开销的权衡。4.5节定性比较显示，RDPA-UNet对不规则轮廓、弱边界、多分离区域和小尺寸低对比病变的预测更完整，假阳性更少，与定量结果一致。
该研究通过系统的消融和比较实验得出，残差组归一化编码、差分路径特征建模和多尺度上下文聚合是相互补充的有效设计，使RDPA-UNet在异质超声数据集上实现鲁棒病变分割和竞争性边界精度。研究结论部分指出，该模型在斑点干扰、弱边界和病变尺度变化下表现良好，未来工作将扩展到更大规模多中心跨设备队列，并探索模型压缩、结构简化、部署优化和不确定性估计以促进临床转化。
