关键词:
乳腺超声图像
图像分割
深度学习
注意力机制
Swin Transformer
摘要:
目的 针对乳腺超声图像中强散斑噪声、边界模糊及低对比度等问题,现有方法在处理不规则肿瘤与复杂背景时,难以兼顾全局语义与局部细节。为此,本文提出融合Swin Transformer与U-Net优势的CB-SwinUNet模型,旨在实现复杂场景下的高精度分割。方法 模型构建基于Swin Transformer的U型架构,利用移动窗口自注意力捕捉长距离依赖。在此基础上引入两个增强模块:在编码阶段并行引入通道注意力与空间增强模块(channel attention and spatial enhancement, CASE),联合建模空间与通道特征,自适应抑制背景噪声并增强病灶表达;在跳跃连接处设计边界细节增强模块(boundary-aware detail module, BADM),利用轻量级卷积与多尺度池化聚合浅层高频信息,修正深层特征的边缘丢失。此外,结合复合损失函数与患者级五折交叉验证策略确保评估客观性。结果 在BUSI(647例)与自建数据库(500例)上的实验显示,CB-SwinUNet的Dice系数分别达到0.859和0.842,IoU与Hausdorff距离等指标均优于U-Net、TransFuse等主流模型。消融实验证实,CASE显著提升了低对比度病灶定位能力,BADM有效修正了边缘刻画精度。模型收敛迅速且未出现明显过拟合。结论 CB-SwinUNet通过深度嵌入式融合策略,实现了全局结构与局部细节的协同建模,有效解决了噪声干扰与边界模糊难题。实验结果充分验证了该方法在提升分割精度与泛化能力方面的优势,为临床辅助诊断提供了鲁棒的自动化方案。