基于选择性核U-Net卷积神经网络的乳腺肿块超声图像分割研究

作者及发表信息

本研究由Michał Byra（波兰科学院基础技术研究所超声部门）、Piotr Jarosik（波兰科学院基础技术研究所信息与计算科学部门）、Aleksandra Szubert（波兰华沙玛丽亚·斯克沃多夫斯卡-居里纪念癌症中心与肿瘤研究所）等团队合作完成，发表于Biomedical Signal Processing and Control期刊2020年第61卷。

研究背景与目标

科学领域：本研究属于医学图像分析与人工智能交叉领域，聚焦于乳腺超声（Ultrasound, US）图像分割，旨在通过深度学习技术提升乳腺肿块的自动分割精度。

研究动机：
1. 临床需求：乳腺癌是女性最常见的恶性肿瘤，超声成像因其无创、低成本和高可及性成为重要诊断工具。然而，超声图像存在低对比度、斑点噪声和肿块形态多样性等问题，导致传统分割方法效果受限。
2. 技术挑战：现有深度学习模型（如U-Net）的固定感受野难以适应不同尺寸的乳腺肿块，需开发能动态调整感受野的算法。

研究目标：提出一种基于选择性核（Selective Kernel, SK）模块的U-Net改进模型（SK-U-Net），通过注意力机制融合不同感受野的特征图，提升分割鲁棒性。

研究方法与流程

1. 数据准备与预处理

• 数据集：
  
  • 训练集：882张乳腺超声图像（678良性/204恶性），来自美国加州大学圣地亚哥分校，使用Siemens Acuson、GE L9和ATL HDI三种设备采集。
    
  • 测试集：
    
  • 内部测试集：150张图像（632/100/150划分）。
    
  • 外部验证集：三个公开数据集（UDIAT、OASBUD、BUSI），共893张图像，来自西班牙、波兰和埃及的不同医疗中心。
    
• 预处理：去除设备标注、图像统一缩放至224×224像素、3×3中值滤波去噪，手动标注的感兴趣区域（ROI）通过最近邻插值调整尺寸。
  

2. 模型设计：SK-U-Net

• 核心改进：将U-Net的标准卷积块替换为SK模块，其结构包括：
  
  1. 双分支卷积：
     
     • 分支1：空洞卷积（dilation=2，3×3核）以扩大感受野。
       
     • 分支2：常规3×3卷积保留局部细节。
       
  2. 注意力机制：通过全局平均池化生成特征向量，经全连接层压缩后计算注意力系数（0~1），动态加权融合两分支特征图。
     
• 训练策略：
  
  • 损失函数：基于Dice系数的损失（( J(a,m) = 1 - \frac{2|a \cap m|}{|a| + |m|} )）。
    
  • 优化器：Adam（学习率0.001，动量0.9），批量大小12，早停机制（验证集11轮无改进终止）。
    
  • 数据增强：水平翻转、高斯模糊。
    

3. 实验与评估

• 对比模型：常规U-Net（基线）。
  
• 评价指标：
  
  • Dice系数：衡量分割重叠度。
    
  • 准确率、AUC：评估像素级分类性能。
    
  • 检出率：肿块中心点位于手动ROI内视为正确检出。
    
• 外部验证：对UDIAT、OASBUD、BUSI数据集进行模型微调（50%数据微调10轮，学习率0.0005）。
  

主要研究结果

1. 内部测试集性能

• SK-U-Net显著优于U-Net：
  
  • 平均Dice系数：0.826（SK-U-Net） vs. 0.778（U-Net）。
    
  • 恶性肿块分割更优（Dice=0.842 vs. 良性0.820），但良性肿块中位数Dice更高（0.914 vs. 恶性0.898）。
    
  • 检出率：90%（SK-U-Net） vs. 81.7%（U-Net）。
    

2. 外部验证结果

• 跨中心泛化能力：
  
  • 未微调时，Dice系数：UDIAT（0.780）> OASBUD（0.676）> BUSI（0.646），差异可能与设备型号相关（UDIAT与训练集同用Siemens Acuson）。
    
  • 微调提升性能：Dice平均提高6%，BUSI数据集从0.646升至0.709。
    

3. SK模块的机制分析

• 感受野动态调整：
  
  • 扩张路径（解码器）中SK模块更依赖空洞卷积（平均注意力系数70%），尤其对大肿块（Spearman相关系数0.7）。
    
  • 收缩路径（编码器）和中层模块均衡使用两种卷积（注意力≈50%）。
    

研究结论与价值

科学价值

1. 方法创新：首次将SK模块引入U-Net，通过注意力机制自适应融合多尺度特征，解决了乳腺肿块尺寸变异大的分割难题。
   
2. 临床意义：模型在跨中心数据中表现稳健，为计算机辅助诊断（CAD）系统提供了高精度分割工具，可辅助医生分析肿块形态特征。
   

应用价值

• 开源实现：代码与预训练权重公开于GitHub（github.com/mbyr/bus_seg），便于后续研究与临床部署。
  
• 可扩展性：SK模块可迁移至其他医学图像分割任务（如肿瘤、器官分割）。
  

研究亮点

1. 动态感受野设计：SK-U-Net自动调整卷积核权重，优于固定感受野的传统模型。
   
2. 跨中心验证：首次在UDIAT、OASBUD、BUSI三个独立数据集上系统评估性能。
   
3. 机制可解释性：通过注意力系数与肿块尺寸的相关性分析，揭示了模型决策依据。
   

局限性及未来方向

• 数据多样性不足：训练集仅来自单一中心，未来需整合更多设备型号的数据。
  
• 后处理优化：未采用条件随机场（CRF）等后处理技术，可能进一步提升边界精度。
  
• 扩展研究：探索SK模块在其他网络（如残差U-Net、密集U-Net）中的适用性。