⚠️ 以下所有内容总结都来自于 大语言模型的能力,如有错误,仅供参考,谨慎使用
🔴 请注意:千万不要用于严肃的学术场景,只能用于论文阅读前的初筛!
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ,还请您给我们一些鼓励!⭐️ HuggingFace免费体验
2025-06-24 更新
Hybrid Attention Network for Accurate Breast Tumor Segmentation in Ultrasound Images
Authors:Muhammad Azeem Aslam, Asim Naveed, Nisar Ahmed
Breast ultrasound imaging is a valuable tool for early breast cancer detection, but automated tumor segmentation is challenging due to inherent noise, variations in scale of lesions, and fuzzy boundaries. To address these challenges, we propose a novel hybrid attention-based network for lesion segmentation. Our proposed architecture integrates a pre-trained DenseNet121 in the encoder part for robust feature extraction with a multi-branch attention-enhanced decoder tailored for breast ultrasound images. The bottleneck incorporates Global Spatial Attention (GSA), Position Encoding (PE), and Scaled Dot-Product Attention (SDPA) to learn global context, spatial relationships, and relative positional features. The Spatial Feature Enhancement Block (SFEB) is embedded at skip connections to refine and enhance spatial features, enabling the network to focus more effectively on tumor regions. A hybrid loss function combining Binary Cross-Entropy (BCE) and Jaccard Index loss optimizes both pixel-level accuracy and region-level overlap metrics, enhancing robustness to class imbalance and irregular tumor shapes. Experiments on public datasets demonstrate that our method outperforms existing approaches, highlighting its potential to assist radiologists in early and accurate breast cancer diagnosis.
乳腺超声成像作为早期乳腺癌检测的重要工具,但由于其固有的噪声、病变规模的差异以及模糊的边界,使得自动肿瘤分割面临挑战。为了应对这些挑战,我们提出了一种新型的混合注意力网络用于病变分割。我们提出的架构集成了预训练的DenseNet121作为编码器部分进行稳健的特征提取,并结合针对乳腺超声图像的多分支注意力增强解码器。瓶颈层结合了全局空间注意力(GSA)、位置编码(PE)和缩放点积注意力(SDPA)来学习全局上下文、空间关系和相对位置特征。空间特征增强块(SFEB)嵌入在跳跃连接中,用于细化和增强空间特征,使网络更有效地聚焦于肿瘤区域。结合二元交叉熵(BCE)和Jaccard指数损失的混合损失函数同时优化像素级精度和区域级重叠指标,提高了对类别不平衡和不规则肿瘤形状的鲁棒性。在公共数据集上的实验表明,我们的方法优于现有方法,凸显其在帮助放射科医生进行早期和准确的乳腺癌诊断方面的潜力。
论文及项目相关链接
Summary
本文提出一种新型混合注意力网络用于乳腺癌超声图像中的肿瘤分割。该网络结合预训练的DenseNet121进行特征提取,并设计多分支注意力增强解码器以适应乳腺超声图像。网络瓶颈处融入全局空间注意力、位置编码和缩放点积注意力,以学习全局上下文、空间关系和相对位置特征。空间特征增强块嵌入在跳跃连接中以优化空间特征,提高网络对肿瘤区域的关注效果。采用二元交叉熵和Jaccard指数损失组合的混合损失函数,优化像素级精度和区域级重叠指标,对类别不平衡和肿瘤形状不规则具有鲁棒性。在公共数据集上的实验表明,该方法优于现有技术,有助于放射科医生进行早期和准确的乳腺癌诊断。
Key Takeaways
- 乳腺超声成像在早期乳腺癌检测中具有重要价值,但自动化肿瘤分割具有挑战性。
- 提出的混合注意力网络结合了预训练DenseNet121和多分支注意力增强解码器,适应乳腺超声图像特点。
- 网络设计中融入了全局空间注意力、位置编码和缩放点积注意力,以提升肿瘤区域的识别能力。
- 通过空间特征增强块优化空间特征,提高网络关注肿瘤区域的效果。
- 采用混合损失函数,结合二元交叉熵和Jaccard指数损失,优化像素级和区域级指标,增强模型对类别不平衡和不规则肿瘤形状的鲁棒性。
- 在公共数据集上的实验表明,该方法在乳腺肿瘤分割上较现有技术有优异表现。
点此查看论文截图


