摘要：用于语义分割的深度学习模型，包括 U-Net、DeepLabV3 和 PSPNet，在医学影像中通过识别和勾勒病变区域展现了优异的性能。在这些模型中，卷积神经网络（CNN）被用于从输入图像中提取高级特征表示，捕获精确分割所需的关键空间和上下文信息。为了准确分割乳腺癌图像，CNN在大量标记的超声图像数据集上进行训练。然而，传统分割方法在处理小尺寸或尺寸不均的目标（如肿瘤或病变）时，常因受影响区域的信息丢失而导致精度较低。因此，本研究提出的方法采用以 EfficientNetB7 为编码器-解码器骨干的 U-Net 架构，并引入空洞卷积以增强特征提取能力。为进一步优化网络，将三重注意力机制作为瓶颈模块引入，并通过跳跃连接应用通道注意力模块，以突出关键的空间和通道特征。在分割之前，医学图像通过自适应双伽马校正进行预处理，以增强图像对比度并减少伪影。此外，还采用强化学习自适应地学习真实矩阵，使模型能够逐步提升分割精度。实验结果表明，与现有方法相比，所提出的模型在多个评估指标上表现更优，包括交并比、精确率、召回率、Dice系数和像素准确率。实验数据表明，该模型显著优于现有方法，即便在存在较强伪影的情况下，也能有效分割超声图像中的乳腺癌区域。通过解决超声成像中的诸多挑战，本研究旨在提升乳腺癌检测的诊断准确性和可靠性，最终为改善患者临床结局做出贡献。
关键词：U-Net，空洞卷积EfficientNetB7，通道注意力模块，三重注意力模块，强化学习，自适应双伽马校正
扫二维码浏览全文
Cite this article: Paulose, S., Duraisamy, V.V. Ultrasound Breast Cancer Segmentation Using Atrous Convolution EfficientNetB7 with Attention Module in U-Net. J. Shanghai Jiaotong Univ. (Sci.) (2025). https://doi.org/10.1007/s12204-025-2845-1
转载本文请联系原作者获取授权，同时请注明本文来自黄龙旺科学网博客。
链接地址：https://wap.sciencenet.cn/blog-45888-1501081.html?mobile=1
收藏
