基于注意力增强U-Net与混合扩张卷积的乳腺超声图像肿瘤分割研究

第一作者及发表信息

本研究由Yu Yan（南京理工大学计算机科学与工程学院）、Yangyang Liu（南京工程学院信息与通信工程学院）、Yiyun Wu（江苏省中医院）、Hong Zhang（通讯作者，南京理工大学）等合作完成，发表于期刊Biomedical Signal Processing and Control第72卷（2022年），文章标题为《Accurate segmentation of breast tumors using AE U-Net with HDC model in ultrasound images》。

学术背景

乳腺癌是全球女性健康的主要威胁之一，早期精准诊断对预后至关重要。超声成像因其低成本、实时性成为乳腺癌筛查的常用手段，但超声图像中肿瘤区域的形态多变、边界模糊（blurred boundaries）为计算机辅助诊断系统（CAD）的自动分割带来挑战。传统分割方法（如分水岭算法、Snake模型）因依赖人工特征提取，在复杂背景下性能有限。深度学习模型（如U-Net）虽在医学图像分割中表现优异，但针对乳腺肿瘤的多样性仍需进一步优化。本研究旨在提出一种结合注意力机制（attention mechanism）和混合扩张卷积（Hybrid Dilated Convolution, HDC）的新型网络（AE U-Net with HDC），以提升分割精度。

研究方法与流程

1. 数据集构建与预处理

• 数据来源：316张乳腺超声图像（154恶性/162良性），采集自苏州飞诺科技Vinno 70超声诊断仪和江苏省中医院，探头频率5–14 MHz。
  
• 标注标准：由3名经验丰富的医生手动标注病灶轮廓（mask），并通过活检结果验证肿瘤良恶性。
  
• 数据增强：训练集（203张）通过水平翻转和弹性变形扩增至1251张，验证集（34张）扩增至68张，测试集（79张）保持原样。避免旋转和裁剪以保留肿瘤固有特征（如方向、边缘纹理）。
  

2. 模型架构设计

AE U-Net基础框架

• 核心改进：在经典U-Net的编码器-解码器结构中嵌入4个注意力门（Attention Gates, AGs）模块，通过权重矩阵α增强病灶区域特征。
  
• 损失函数创新：
  
  • 传统损失函数（公式3）同时更新主网络和AGs模块参数。
    
  • 本研究新增独立损失函数（公式5、6），交替训练主网络与AGs模块，通过微调（fine-tuning）提升AGs对病灶的聚焦能力。
    

HDC模块集成

• 目的：解决下采样导致的空间信息丢失问题。
  
• 实现方式：用3组HDC（膨胀率[1,2,5]）替换原U-Net中的4个常规卷积层。
  
  • HDC优势：通过锯齿形膨胀率结构（zigzag structure）兼顾局部细节与长距离信息，避免网格效应（gridding effect）。
    
  • 接收野计算公式（公式2）显示，HDC在保持分辨率的同时扩大感受野（receptive field）。
    

3. 实验设计

• 对比实验：
  
  • 不同HDC组数（1组/2组/3组）：3组HDC的F1分数（83.37%）、准确率（94.63%）最优。
    
  • 不同膨胀率组合：[1,2,5]优于[1,2,3]，因更大膨胀率提升长距离信息整合能力。
    
  • 与传统模型对比：AE U-Net with HDC的mIoU（83.08%）显著高于U-Net（79.78%）和Attention U-Net（80.64%）。
    
• 性能指标：包括精确率（precision）、召回率（recall）、AUC、Dice系数等。
  

主要结果

1. AGs模块效果：

   • 微调训练使病灶分割精确率从82.38%提升至86.28%，mIoU从76.27%提升至81.81%。
     
   • AGs输出的权重矩阵α可视化显示其对肿瘤区域的显著聚焦（图5）。
     

2. HDC模块贡献：

   • 测试集上，HDC将分割准确率（ACC）从94.18%提升至95.81%，召回率从78.69%提升至80.48%。
     
   • 恶性肿瘤图像（组织互侵明显）的分割改善尤为显著（图5(d4)–(f4)）。
     

3. 跨数据集验证：

   • 在包含1543张图像的独立数据集（BI-RADS分级）上，模型对良性肿瘤（分级3/4a）的AUC达98.01%，优于恶性（分级4c/5）。
     

结论与价值

本研究提出了一种创新性的乳腺超声图像分割模型，其核心贡献包括：
1. 科学价值：
- 通过AGs模块的损失函数分阶段训练，实现了病灶区域的精准权重分配。
- HDC模块首次在乳腺超声分割中应用，验证了混合膨胀率对多尺度特征提取的有效性。
2. 应用价值：
- 为CAD系统提供高精度分割工具，辅助临床诊断（如PPV从83.08%提升至87.04%）。
- 模型代码开源（基于PyTorch），便于后续研究扩展。

研究亮点

1. 方法创新：
   
   • 首次将HDC与注意力U-Net结合，解决超声图像分辨率损失问题。
     
   • 提出“AGs模块交替微调”策略，增强模型对模糊边界的适应性。
     
2. 临床意义：
   
   • 公开数据集验证（如Al-Dhabyani数据集）显示模型泛化能力（ACC 90.28%），优于ResNet（79%）等主流架构。
     
3. 局限性：
   
   • GPU算力限制未实现全部卷积层的HDC替换，未来计划优化网络深度。
     

其他有价值内容

• 作者指出未来方向：结合视频序列分析（而非单帧图像）提升动态分割鲁棒性，并探索与传统算法（如Snake模型）的融合。
  
• 伦理声明：研究获得伦理委员会批准及患者知情同意，符合医学研究规范。
  

（注：全文约2000字，涵盖研究全流程及核心创新点，数据与结论均引自原文。）