类型a

本研究的主要作者包括Chengzhang Zhu、Xian Chai、Zhiyuan Wang、Yalong Xiao、Renmao Zhang、Zhangzheng Yang和Jie Feng，他们分别来自中南大学的人文学院、计算机科学与工程学院以及湖南肿瘤医院/湘雅医学院附属肿瘤医院的医学超声科。该研究发表在《Biomedical Signal Processing and Control》期刊上，出版时间为2024年。

这项研究属于生物医学信号处理和控制领域，特别是乳腺癌诊断技术的研究。乳腺癌是全球女性中最常见的恶性肿瘤之一，早期检测和准确诊断对于提高治疗成功率至关重要。超声成像作为一种非侵入性和低辐射的成像技术，在早期乳腺癌检测中发挥了重要作用。然而，由于肿瘤边界模糊和形状不规则的特点，准确的乳腺肿瘤分类和分割仍然是一个具有挑战性的任务。因此，本研究旨在开发一种新的方法，以同时进行乳腺超声图像的分割和分类任务，并通过引入频域信息来提升模型的表现。

该研究的工作流程可以分为以下几个步骤：

1. 数据准备：研究使用了三个乳腺超声数据集，包括两个公开数据集（BUSIS和BUS-B）和一个私有数据集（BUS-O）。这些数据集包含不同类型的乳腺病变图像，用于训练和测试模型。

2. 模型设计：研究提出了一个名为DBL-Net的双分支学习网络，结合空间域和频域信息进行肿瘤分割和分类。具体来说，模型包括以下组件：

   • 空间-频域特征编码模块（S-FEM），用于更好地提取和融合空间域和频域特征。
   • 双分支解码器，分别处理分割任务和分类任务。
   • 表征感知增强器（RPE），通过对比学习策略来提升模型的特征表示能力。

3. 实验设计：研究人员进行了多种实验，包括五折交叉验证和外部验证，以评估模型的性能。实验中使用了多种评价指标，如准确率（ACC）、交并比（IoU）、Dice系数、精确率（Precision）和召回率（Recall）等。

4. 数据分析：通过对比实验结果，分析了不同模块对模型性能的影响，并探讨了超参数λ对模型表现的影响。

主要研究结果如下：

1. 分割任务：DBL-Net在分割任务中的表现优于其他现有方法。例如，在BUS数据集上，DBL-Net的IoU和Dice系数分别达到了70.76%和82.01%，超过了Nu-Net（第二名）0.1%和0.47%。此外，召回率提高了3%。

2. 分类任务：在分类任务中，DBL-Net同样表现出色。在BUS数据集上，其ACC、F1分数、精确率、特异性和AUC分别为0.8399、0.7679、0.7798、0.8949和0.8207，超过了MedViT（第二名）1.04%和1.64%。

3. 消融实验：研究通过消融实验验证了各个模块的有效性。例如，去除频域编码分支后，分割任务的ACC、IoU、Dice、精确率和召回率分别下降了1.34%、6.54%、5.21%、10.57%和3.73%；分类任务的ACC、F1分数、精确率、特异性和AUC分别下降了3.26%、6.84%、0.95%、0.78%和5.19%。

4. 超参数影响：研究发现，当λ从0.3增加到0.5时，分割和分类任务的表现均有上升趋势；但当λ>0.5时，表现显著下降。

本研究的结论是，DBL-Net通过结合空间域和频域信息，显著提升了乳腺超声图像分割和分类的准确性。该方法不仅在分割任务中表现出色，还在分类任务中超越了现有的最先进方法。这为乳腺超声图像分析提供了新的视角和解决方案，有助于更安全和可靠的临床人工智能系统的构建。

研究的亮点包括： 1. 提出了一个新颖的双分支学习网络（DBL-Net），能够同时进行分割和分类任务。 2. 引入了空间-频域特征编码模块（S-FEM），有效提取和融合空间域和频域特征。 3. 设计了表征感知增强器（RPE），通过对比学习策略提升模型的特征表示能力。

此外，研究还探讨了模型在小数据集上的表现，并提出了未来改进的方向，如探索有效的数据增强和预处理方法，以及整合其他医学成像模态的信息。这些内容为后续研究提供了宝贵的参考。