Deep Integrated Pipeline of Segmentation Guided Classification of Breast Cancer from Ultrasound Images
East Delta University（东三角洲大学）；University of Chittagong（吉大港大学）
乳腺癌已成为现代世界极为关注的象征，因为它是全世界癌症死亡率的主要原因之一。在这方面，乳房超声图像经常被医生用来在早期诊断乳腺癌。然而，复杂的伪影和强噪声的乳腺超声图像给诊断带来了很大的挑战。此外，接受乳腺癌筛查的患者数量不断增加，需要使用自动化端到端技术，以低成本和短时间进行高度准确的诊断。在这个问题上，为了开发一个端到端的乳腺超声图像分类集成管道，我们对图像预处理方法进行了详尽的分析，如K Means++和SLIC，以及四个迁移学习模型，如VGG 16，VGG 19，DenseNet 121和ResNet 50。SLIC、UNET和VGG 16的组合在分割阶段的Dice系数得分为63.4，在分类阶段的准确性和F1得分（良性）分别为73.72%和78.92%，优于所有其他综合组合。最后，我们提出了一个端到端的集成自动流水线框架，包括使用SLIC进行预处理，以从超声图像的复杂伪影中捕获超像素特征，使用修改后的U-Net补充语义分割，使用预训练的VGG 16和密集连接的神经网络的迁移学习方法进行乳腺肿瘤分类。拟议的自动化管道可以有效地实施，以协助医生更准确和及时地诊断乳腺癌。
2022-02-14 cs.CV cs.LG eess.IV
Ultrasound SAM Adapter: Adapting SAM for Breast Lesion Segmentation in Ultrasound Images
Anhui University（安徽大学）
本文提出乳腺超声分割模型BUSSAM，通过设计轻量CNN编码器与Cross-Branch Adapter等适配器，实现CNN与SAM中ViT分支的交互微调，在AMUBUS和BUSI数据集上显著提升了超声图像病灶分割性能。
2024-04-23 cs.CV eess.IV
Automatic Breast Ultrasound Image Segmentation: A Survey
University of Idaho（爱达荷大学）；Utah State University（犹他州立大学）；Harbin Institute of Technology（哈尔滨工业大学）
乳腺癌是全世界妇女癌症死亡的主要原因之一。在临床常规中，自动乳腺超声（BUS）图像分割是非常具有挑战性的，对于癌症诊断和治疗计划至关重要。在过去的二十年中，许多BUS分割方法已经被研究，并且已经被证明在私有数据集上是有效的。目前，公交车图像分割的进展似乎遇到了瓶颈。性能的改进越来越具有挑战性，并且在过去几年中只有很少的新方法被公布。现在是通过全面审查以前的方法来审视该领域并研究未来方向的时候了。在本文中，我们研究的基本思想，理论，优点和缺点的方法，他们分组，并广泛审查每一类深入讨论的原则，应用问题，和优点/缺点。
2018-01-09 cs.CV cs.LG
Modifying the U-Net's Encoder-Decoder Architecture for Segmentation of Tumors in Breast Ultrasound Images
Tarbiat Modares University（塔比阿特莫达雷斯大学）
本文提出基于U-Net与编码器-解码器架构的CResU-Net，通过结合Res-Net、MultiResUNet和Co-Block保留多级特征，在BUSI乳腺超声数据集上以8.88M参数实现优于现有方法的肿瘤分割性能。
2024-11-19 cs.CV eess.IV
Fuzzy Semantic Segmentation of Breast Ultrasound Image with Breast Anatomy Constraints
Utah State University（犹他州立大学）；Harbin Institute of Technology（哈尔滨工业大学）；the First Affiliated Hospital of Harbin Medical University（哈尔滨医科大学附属第一医院）
乳腺癌是影响妇女健康的最严重疾病之一。由于低成本、便携式、无辐射和高效率，乳腺超声（BUS）成像是诊断早期乳腺癌最流行的方法。然而，超声图像分辨率低，质量差。因此，开发精确的检测系统是一项具有挑战性的任务。在本文中，我们提出了一种全自动分割算法，由两部分组成：模糊全卷积网络和精确微调后处理的基础上，乳房解剖约束。在第一部分中，图像进行对比度增强预处理，并采用小波特征进行图像增强。模糊隶属函数将增强的BUS图像转换到模糊域。来自卷积层的特征也使用模糊逻辑进行处理。条件随机场（CRF）对分割结果进行后处理。利用乳房解剖层之间的位置关系来提高性能。将该方法应用于325个BUS图像的数据集，与现有方法相比，该方法在肿瘤类别上的真阳性率为90.33%，假阳性率为9.00%，交集大于并集（IoU）为81.29%，并且在五个类别上的总体交集大于并集（mIoU）为80.47%，达到了最先进的性能：脂肪层、乳腺层、肌肉层、背景和肿瘤。
2019-10-23 cs.CV
Mass Segmentation in Automated 3-D Breast Ultrasound Using Dual-Path U-net
University of Delaware（特拉华大学）；University of Guilan（吉兰大学）；Eindhoven University of Technology（埃因霍温理工大学）；Iran University of Science and Technology（伊朗科学技术大学）
自动三维乳腺超声（ABUS）是一种新发现的乳腺筛查系统，已被提议作为乳腺癌检测的乳房X线摄影的补充方式。虽然ABUS在致密乳房中具有更好的性能，但阅读ABUS图像是令人疲惫且耗时的。因此，计算机辅助检测系统是必要的，这些图像的解释。肿块分割在计算机辅助检测系统中起着至关重要的作用，它影响着整个检测系统的性能。肿块分割是一项具有挑战性的任务，因为肿块的大小、形状和纹理变化很大。此外，不平衡的数据集使分割更加困难。提出了一种基于深度学习的肿块分割方法。本研究中用于图像分割的深度网络受到U-net的启发，近年来U-net已广泛用于密集分割。该系统的性能是使用50个肿块的数据集，包括38个恶性病变和12个良性病变。建议的分割方法达到了平均Dice为0.82，优于两阶段的监督边缘为基础的方法与平均Dice为0.74和自适应区域生长方法与平均Dice为0.65。
2021-09-29 cs.AI cs.CV eess.IV
BUSIS: A Benchmark for Breast Ultrasound Image Segmentation
Harbin Institute of Technology（哈尔滨工业大学）；University of Idaho（爱达荷大学）；Utah State University（犹他州立大学）；Affiliated Hospital of Medical College Qingdao University（青岛大学医学院附属医院）；Second Hospital of Hebei Medical University（河北医科大学第二医院）
乳腺超声（BUS）图像分割是BUS计算机辅助诊断（CAD）系统的关键和挑战。在过去的二十年中，已经研究了许多BUS分割方法，但是大多数方法的性能都是使用相对较小的具有不同定量指标的私有数据集进行评估的，这导致性能比较的差异。因此，迫切需要建立一个基准，使用公共数据集客观地比较现有的方法，以确定当今最好的乳腺肿瘤分割算法的性能，并研究在临床实践和理论研究中有价值的分割策略。在这项工作中，一个基准的B型乳腺超声图像分割。在基准测试中，1）我们收集了562幅乳腺超声图像，准备了一个软件工具，并让四名放射科医生通过标准化程序获得准确的注释; 2）我们广泛比较了16种最先进的分割方法的性能，并讨论了它们的优缺点; 3）提出了一组有价值的定量指标来评估半自动和全自动分割方法; 4）详细讨论了成功的分割策略和可能的改进。
2021-10-19 cs.CV
Breast lesion segmentation in ultrasound images with limited annotated data
Concordia University（康考迪亚大学）；Nuance Communications（Nuance通信公司）
超声（US）是诊断和外科干预中最常用的成像方式之一，因为它具有低成本、安全和无创的特点。由于散斑噪声的存在，US图像分割目前是一个独特的挑战。由于人工分割需要花费大量的精力和时间，因此自动分割算法的发展引起了研究者的关注。尽管最近基于卷积神经网络的方法已经显示出有前途的性能，但它们的成功依赖于大量训练数据的可用性，这对于许多应用来说是非常困难的。因此，在这项研究中，我们建议使用模拟US图像和自然图像作为辅助数据集，以便预训练我们的分割网络，然后使用有限的体内数据进行微调。我们发现，与从头开始训练相比，仅用19张体内图像，微调预训练的网络将骰子得分提高了21%。我们还证明，如果有相同数量的自然和模拟US图像，则最好对模拟数据进行预训练。
2020-01-21 cs.CV cs.LG eess.IV
CF2-Net: Coarse-to-Fine Fusion Convolutional Network for Breast Ultrasound Image Segmentation
School of Biomedical Engineering, Southern Medical University（南方医科大学生物医学工程学院）
乳腺超声图像分割是乳腺癌计算机辅助诊断系统的重要组成部分，是提高乳腺癌诊断准确率的有效手段。最近，许多深度学习方法已经被开发用于BUS图像的分割，并且与传统的基于区域、模型和传统的基于学习的方法相比显示出一些优势。然而，以前的深度学习方法通常使用跳过连接来连接编码器和解码器，这可能无法完全融合编码器和解码器的粗到细特征。由于BUS图像中病变的结构和边缘模糊，这将使学习结构和边缘的判别信息变得困难，从而降低性能。为此，我们提出并评估了一个由粗到细的融合卷积网络（CF2-Net）的基础上，一种新的功能集成策略（形成一个'E'样类型）的BUS图像分割。为了增强轮廓并提供结构信息，我们将超像素图像和原始图像连接起来作为CF2-Net的输入。同时，为了突出不同大小病变区域的差异，缓解不平衡问题，我们进一步设计了一个加权平衡的损失函数来有效地训练CF2-Net。通过使用四重交叉验证，在开放数据集上对所提出的CF2-Net进行了评估。实验结果表明，与其他基于深度学习的方法相比，CF2-Net获得了最先进的性能
2020-03-23 cs.CV eess.IV
PINN-EMFNet: PINN-based and Enhanced Multi-Scale Feature Fusion Network for Breast Ultrasound Images Segmentation
Shanghai Jiao Tong University（上海交通大学）；Shanghai Ninth People’s Hospital, Shanghai Jiao Tong University School of Medicine（上海交通大学医学院附属第九人民医院）；Huashan Hospital, Fudan University（复旦大学附属华山医院）
针对乳腺超声图像对比度低、噪声大及肿瘤形态多变导致分割困难的问题，提出基于PINN的增强多尺度特征融合网络，通过分层聚合编码器、多尺度特征细化解码器及物理约束损失函数提升分割精度与鲁棒性。
2024-12-22 cs.CV
Comparative Analysis of Segment Anything Model and U-Net for Breast Tumor Detection in Ultrasound and Mammography Images
Florida Atlantic University（佛罗里达大西洋大学）；University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；Shahid Beheshti University of Medical Sciences（沙希德·贝赫什提医科大学）；Missouri University of Science and Technology（密苏里科技大学）；Florida International University（佛罗里达国际大学）
本研究比较了U-Net和预训练SAM在乳腺超声及X线图像肿瘤分割中的表现，发现U-Net在复杂病例中准确性更高，是更稳健的医学图像分割工具。
2024-02-13 cs.CV cs.LG eess.IV
Semantic Segmentation and Object Detection Towards Instance Segmentation: Breast Tumor Identification
Georgia Institute of Technology（佐治亚理工学院）；Telecom Paris（巴黎电信学院）；Medicine School of Tunis（突尼斯医学院）
乳腺癌是导致妇女死亡率上升的因素之一。诊断这种地质疾病，即乳腺癌的最广泛使用的方法是超声扫描。通过超声扫描捕获的肿瘤的光滑度和纹理等几个关键特征编码了乳腺肿瘤的异常（恶性和良性）。然而，超声扫描通常是有噪声的，并且包括可能使最终肿瘤的分割产生偏差的乳房的不相关部分。在本文中，我们将提取感兴趣的区域（即，肿瘤的边界框），并将其前馈到一个基于其分类（即，恶性或良性）的语义分割编码器-解码器结构。整个过程旨在从语义分割器和对象检测器构建基于实例的分割器。
2021-08-06 cs.AI cs.CV
WATUNet: A Deep Neural Network for Segmentation of Volumetric Sweep Imaging Ultrasound
University of Rochester（罗切斯特大学）；University of Rochester Medical Center（罗切斯特大学医学中心）
针对超声乳腺癌诊断依赖专业技师且传统UNet存在梯度消失等局限的问题，提出WATUNet模型，通过在编解码器间引入小波门和注意力门提升分割性能，在公开和VSI数据集上取得优异结果。
2023-11-17 cs.CV cs.LG eess.IV
WDFFU-Mamba: A Wavelet-guided Dual-attention Feature Fusion Mamba for Breast Tumor Segmentation in Ultrasound Images
School of Electronic and Information Engineering, Beijing Jiaotong University（电子信息工程学院，北京交通大学）
WDFFU-Mamba通过小波引导和双注意力融合提升乳腺超声肿瘤分割的准确性和鲁棒性。
2025-12-19 cs.AI cs.CV
UNet++ and LSTM combined approach for Breast Ultrasound Image Segmentation
Islamic Azad University Science and Research Branch（伊斯兰阿扎德大学科学与研究分校）；University of Birjand（比尔詹德大学）；University of Zanjan（赞詹大学）
针对现有乳腺超声图像分割模型未利用时序特征的问题，提出融合LSTM、自注意力与多尺度特征提取模块的UNet++方法，在BUSI with GT数据集上取得了媲美前沿技术的分割性能。
2024-12-07 cs.AI cs.CL cs.CV
A Self-Supervised Framework for Improved Generalisability in Ultrasound B-mode Image Segmentation
Satisfai Health（Satisfai Health公司）
本文提出一种针对超声B模式图像的自监督对比学习框架，引入关系对比损失及空间与频率增强策略，在多个乳腺超声数据集上显著提升分割性能与泛化能力，尤其在数据有限场景下表现突出。
2025-02-04 cs.AI cs.CV cs.LG
Risk-Routed Implicit Boundary Refinement for Robust Ultrasound Image Segmentation
针对医学超声图像分割难题，提出风险路由隐式边界细化框架RIBR，结合多种手段细化轮廓抑制振荡，在九个数据集评估中，于紧凑参数预算下取得最佳总体宏平均并减少边界误差。
2026-10-16 cs.CV
AAU-net: An Adaptive Attention U-net for Breast Lesions Segmentation in Ultrasound Images
Nankai University（南开大学）；University of Oxford（牛津大学）；Manchester University（曼彻斯特大学）
本文提出AAU-net，通过引入由通道和空间自注意力组成的混合自适应注意力模块替代传统卷积，以应对超声图像乳腺病灶分割中强度相似、形态多变和边界模糊等挑战，并在多个公开数据集上验证了其更优的分割性能和泛化能力。
2022-10-31 cs.CV cs.LG eess.IV
An ENAS Based Approach for Constructing Deep Learning Models for Breast Cancer Recognition from Ultrasound Images
School of Computing, University of Buckingham（白金汉大学计算学院）
深度卷积神经网络（CNN）为图像模式识别提供了“端到端”解决方案，在包括医学成像在内的许多应用领域都具有令人印象深刻的性能。大多数高性能的CNN模型使用手工制作的网络架构，需要CNN的专业知识来发挥其潜力。在本文中，我们采用了高效神经结构搜索（ENAS）方法，以找到最佳的CNN架构分类乳腺病变的超声（US）图像。我们对524张美国图像数据集的实证研究表明，使用ENAS生成的最佳模型的平均准确率为89.3%，超过了其他手工制作的替代品。此外，模型在复杂性上更简单，更有效。我们的研究表明，ENAS方法的CNN模型设计是一个很有前途的方向分类超声图像的乳腺病变。
2020-05-27 cs.CV cs.LG eess.IV
Explainable Ensemble Machine Learning for Breast Cancer Diagnosis based on Ultrasound Image Texture Features
University of Minnesota（明尼苏达大学）；University of Cincinnati（辛辛那提大学）
图像分类被广泛用于构建乳腺癌诊断的预测模型。大多数现有的方法绝大多数依赖于深度卷积网络来构建这样的诊断管道。这些模型架构虽然性能卓越，但都是黑箱系统，对预测背后的内在逻辑提供了最少的洞察。这是一个主要的缺点，因为预测的可解释性对于癌症诊断等应用至关重要。在本文中，我们通过提出一个基于超声图像的乳腺癌诊断的可解释机器学习管道来解决这个问题。我们提取的第一和第二阶纹理特征的超声图像，并使用它们来建立一个概率集成的决策树分类器。每个决策树通过学习图像的纹理特征的一组鲁棒决策阈值来学习对输入超声图像进行分类。然后，可以通过分解学习的决策树来解释模型预测的决策路径。我们的研究结果表明，我们提出的框架实现了高预测性能，同时是可解释的。
2022-01-17 cs.CV cs.LG eess.IV
DBF-Net: A Dual-Branch Network with Feature Fusion for Ultrasound Image Segmentation
Wuhan Institute of Technology（武汉工程大学）；School of Computer Science and Engineering（计算机科学与工程学院）；Hefei University of Technology（合肥工业大学）
针对超声图像病灶边界分割困难的问题，提出双分支网络UBBS-Net及特征融合模块，通过学习身体与边界关系提升分割精度，在三个数据集上优于现有方法。
2024-11-17 cs.CV eess.IV
Dual-Channel Reliable Breast Ultrasound Image Classification Based on Explainable Attribution and Uncertainty Quantification
University of South Carolina（南卡罗来纳大学）；Tsinghua University（清华大学）；Beijing Tsinghua Changgung Hospital, Tsinghua University（北京清华长庚医院，清华大学）
本文研究乳腺超声图像分类的可靠性度量，提出基于推理可靠性和预测可靠性分数的双通道评估框架，结合改进的特征归因算法SP-RISA和不确定性量化，在临床和公开数据集上验证了其有效性和鲁棒性。
2024-01-08 cs.CV cs.LG eess.IV
Analyzing Image Encoder Choices and Graph Homophily in GCN Frameworks for Breast Ultrasound Classification
PONS Incorporated（PONS公司）；Department of Radiology, Department of Medicine, University of British Columbia（大学医学部和放射学部）
研究乳腺超声分类中图像编码器选择对图构建和分类性能的影响，通过评估五种编码器，用其嵌入构建图并分类，发现更高容量编码器可提升图同质性和分类性能，确立编码器选择为关键因素，图同质性为性能联系指标。
2026-07-30 cs.CV cs.LG eess.IV
A Spatial-Temporal Progressive Fusion Network for Breast Lesion Segmentation in Ultrasound Videos
Anhui University（安徽大学）；First Affiliated Hospital of Anhui Medical University（安徽医科大学第一附属医院）
提出时空渐进融合网络STPFNet，结合统一架构、多尺度特征融合与前一帧先验，并构建UVBLS200数据集，实现超声视频乳腺病变分割性能超越现有方法。
2024-03-18 cs.CV eess.IV
Breast Ultrasound Report Generation using LangChain
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）；Chung-Ang University Hospital（中央大学医院）；Chung-Ang University College of Medicine（中央大学医学院）
本文提出基于 LangChain 与 LLM 集成多种图像分析工具，从多张乳腺超声图像提取特征并自动生成标准化临床报告，实验和临床评估验证了其有效性。
2023-12-05 cs.AI cs.CV cs.LG
Classification of Breast Cancer Lesions in Ultrasound Images by using Attention Layer and loss Ensembles in Deep Convolutional Neural Networks
University of Malaya（马来亚大学）；University of Tehran（德黑兰大学）
对乳腺超声图像中的良恶性病变进行可靠的分类，可以为乳腺癌的早期诊断提供一种有效且成本相对较低的方法。然而，诊断的准确性在很大程度上取决于超声系统的质量和用户（放射科医生）的经验。深度卷积神经网络方法的杠杆作用为乳腺超声图像的有效分析提供了解决方案。在这项研究中，我们提出了一个新的框架，乳腺癌病变的分类使用的注意模块修改VGG16架构。我们还提出了新的综合损失函数，该函数是二进制交叉熵和双曲余弦损失的对数的组合，以改善分类病变与其标签之间的模型差异。网络从预先训练的ImageNet权重中训练，随后使用超声数据集进行微调。本研究中提出的模型优于其他修改的VGG16架构，准确率为93%，并且结果与其他最先进的乳腺癌病变分类框架具有竞争力。在这项研究中，我们采用了迁移学习方法和预训练的VGG16架构。训练用于分类任务的不同CNN模型来预测乳腺超声图像中的良性或恶性病变。我们的实验结果表明，损失函数的选择是非常重要的分类任务，通过添加一个注意力块，我们可以提高我们的模型的性能。
2021-02-23 cs.CV eess.IV
A New Dataset and A Baseline Model for Breast Lesion Detection in Ultrasound Videos
Xiamen University（厦门大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）；Institute of High Performance Computing, Agency for Science, Technology and Research（新加坡科技研究局高性能计算研究院）；The Hong Kong Polytechnic University（香港理工大学）
超声检测乳腺病变是乳腺癌诊断的关键。现有的方法主要依赖于单独的2D超声图像或结合未标记的视频和标记的2D图像来训练模型用于乳腺病变检测。在本文中，我们首先收集和注释的超声视频数据集（188个视频）的乳腺病变检测。此外，我们提出了一个剪辑级和视频级特征聚合网络（CVA-Net），通过聚合视频级病变分类特征和剪辑级时间特征来解决超声视频中的乳腺病变检测问题。剪辑级时间特征编码有序视频帧的局部时间信息和混洗视频帧的全局时间信息。在我们的CVA-Net中，设计了一个视频间融合模块来融合原始视频帧的局部特征和混洗视频帧的全局特征，并设计了一个视频内融合模块来学习相邻视频帧之间的时间信息。此外，我们学习视频级特征来将原始视频中的乳腺病变分类为良性或恶性病变，以进一步提高超声视频中乳腺病变的最终检测性能。在我们的注释数据集上的实验结果表明，我们的CVA-Net明显优于最先进的方法。相应的代码和数据集可在\url{https://github.com/jhl-Det/CVA-Net}上公开获得。
2022-07-01 cs.CV eess.IV
BreastSAM: A Study of Segment Anything Model for Breast Tumor Detection in Ultrasound Images
Emory University（埃默里大学）；Winship Cancer Institute（温希普癌症研究所）；School of Medicine, Emory University（埃默里大学医学院）
本研究探讨了Segment Anything Model在超声图像乳腺肿瘤交互式分割中的应用，发现ViT_l变体性能最优，提示交互显著提升分割效果，且肿瘤对比度和大小对结果有积极影响。
2023-05-21 cs.CV eess.IV
AI assisted method for efficiently generating breast ultrasound screening reports
Graduate School at Shenzhen, Tsinghua University（清华大学深圳研究生院）；Shenzhen City Baoan District Women’s and Children’s Hospital（深圳市宝安区妇幼保健院）；Shenzhen Hospital of Peking University（北京大学深圳医院）；Beijing Tsinghua Changgung Hospital, Tsinghua University（清华大学北京清华长庚医院）；School of Biomedical Informatics, University of Texas Health Sciences Center at Houston（德克萨斯大学休斯顿健康科学中心生物医学信息学院）
背景：超声检查是早期筛查致密型乳腺癌的首选方法之一。临床上，医生要手工书写筛查报告，费时费力，且容易漏写、写错。目的：我们提出了一个新的管道，基于超声图像自动生成AI乳腺超声筛查报告，旨在帮助医生提高临床筛查的效率，减少重复的报告编写。研究方法：人工智能被用于高效地生成个性化的乳腺超声筛查初步报告，特别是对于占大多数的良性和正常病例。根据初步的人工智能报告，医生然后进行简单的调整或更正，以快速生成最终报告。该方法已经使用4809个乳腺肿瘤实例的数据库进行了训练和测试。结果：实验结果表明，该流水线使医生的工作效率提高了90%以上，大大减少了重复性工作。结论：与基于固定模板或包含填空选项的非智能报告相比，个性化报告生成在临床实践中得到医生更广泛的认可。
2022-05-22 cs.CV eess.IV
LightBTSeg: A lightweight breast tumor segmentation model using ultrasound images via dual-path joint knowledge distillation
针对高性能乳腺肿瘤分割模型计算复杂且内存消耗大的问题，提出双路径联合知识蒸馏框架 LightBTSeg，通过双教师网络将良恶性先验知识蒸馏至轻量级 Simplified U-Net 学生模型，在多个数据集上表现优于对比方法。
2023-11-18 cs.CV eess.IV
UGGNet: Bridging U-Net and VGG for Advanced Breast Cancer Diagnosis
School of Engineering, Tokyo Institute of Technology（东京技术大学工学院）；Faculty of Information Technology Nguyen Tat Thanh University（Nguyen Tat Thanh大学信息科技学院）
本文提出UGGNet模型，通过融合U-Net的分割能力与VGG的特征提取能力，提升乳腺超声图像诊断性能，并在数据集上取得78.2%的准确率。
2024-01-06 cs.CV cs.LG eess.IV
Breast mass classification in ultrasound based on Kendall's shape manifold
Institute of Fundamental Technological Research, Polish Academy of Sciences（波兰科学院基础技术研究所）；University of California, San Diego（加州大学圣迭戈分校）
形态学特征在超声乳腺肿块分类中起重要作用。虽然良性乳腺肿块往往有一个明确的椭圆形轮廓，恶性乳腺肿块的形状通常是不明确的和高度可变的。多年来，各种手工制作的形态学特征已经被开发出来，以评估这种现象，并帮助放射科医生区分良性和恶性肿块。在本文中，我们提出了一种自动的方法来形态分析，我们表示的Kendall形状流形上的点的乳房肿块的形状。接下来，我们使用完整的Procrustes距离来开发用于乳腺肿块分化的支持向量机分类器。我们的方法的实用性证明了使用数据集的B型图像收集163乳腺肿块。我们的方法实现了0.81的受试者工作特征曲线下的面积。所提出的方法可以用来评估形状的乳房肿块在超声没有任何功能工程。
2019-05-27 cs.CV eess.IV physics.med-ph
Computer-aided Tumor Diagnosis in Automated Breast Ultrasound using 3D Detection Network
Shenzhen University（深圳大学）；Guangdong Province Traditional Chinese Medical Hospital（广东省中医院）
自动乳腺超声（Automated breast ultrasound，ABUS）是一种新的乳腺癌检测和诊断的影像学手段，它能提供直观的三维信息和冠状面信息，具有很高的诊断价值。然而，从ABUS图像手动筛查和诊断肿瘤是非常耗时的，并且可能会忽略异常。在这项研究中，我们提出了一种新的两阶段3D检测网络定位可疑病变区域，并进一步将病变分类为良性或恶性肿瘤。具体来说，我们提出了一个三维检测网络，而不是常用的分割网络来定位ABUS图像中的病变，因此我们的网络可以充分利用ABUS图像中的空间上下文信息。设计了一种新的相似性损失，以有效地区分病变和背景。然后采用分类网络将定位的病变识别为良性或恶性。采用IoU平衡的分类损失来提高分类和定位任务之间的相关性。我们的网络的有效性从418例患者的145个良性肿瘤和273个恶性肿瘤的收集数据集进行了验证。实验表明，我们的网络达到了97.66%的灵敏度与1.23假阳性（FP），并具有曲线下面积（AUC）值为0.8720。
2020-07-31 cs.CV cs.LG eess.IV
Breast Cancer Classification with Ultrasound Images Based on SLIC
Northeastern University（东北大学）；Sino-Dutch Biomedical and Information Engineering School（中荷生物医学与信息工程学院）
乳腺肿瘤的超声图像诊断近年来得到了广泛的应用。但是，超声图像质量差、噪声大、回波分布不均匀等问题给诊断带来了巨大的障碍。为了克服这些问题，我们提出了一种新的方法，乳腺癌分类与超声图像的基础上SLIC（BCCUI）。首先利用基于简单线性迭代聚类（SLIC）算法和区域生长算法的感兴趣区域（ROI）提取方法，在超像素级上提取ROI。然后，提取ROI的特征。此外，支持向量机（SVM）分类器的应用。计算表明，该分割算法的准确率达到88.00%，灵敏度达到92.05%，证明了本文提出的分类器具有一定的研究意义和应用价值。
2019-11-24 cs.CV eess.IV
Auto-weighting for Breast Cancer Classification in Multimodal Ultrasound
Shenzhen University（深圳大学）；Southeast University（东南大学）；Shanghai Jiaotong University（上海交通大学）
乳腺癌是女性最常见的侵袭性癌症。除了主要的B超筛查外，超声医师还探索了多普勒、应变和剪切波弹性成像的应用，以提高诊断水平。然而，在所有类型的图像中识别有用的模式并权衡每种模式的重要性可能会使经验不足的临床医生感到困惑。在本文中，我们首次探索了一种自动的方法，结合四种类型的超声检查，以区分良性和恶性乳腺结节。提出了一种新的多模态网络，以及有前途的可学习性和简单性，以提高分类精度。关键是采用权重分担战略，鼓励模式之间的互动，并采用额外的跨模式目标，以整合全球信息。与硬编码模型中每个模态的权重不同，我们将其嵌入到强化学习框架中，以端到端的方式学习此权重。因此，该模型被训练以寻求最佳的多模态组合，而无需手工设计。建议的框架进行评估的数据集包含1616组多模态图像。实验结果表明，该模型的分类准确率高达95.4%，表明了该方法的有效性。
2020-08-08 cs.CV cs.LG eess.IV
BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images
University of Idaho（爱达荷大学）
在医疗保健中，解释机器学习模型的决策过程以建立临床医生的可信度至关重要。本文介绍了BI-RADS-Net，这是一种用于乳腺超声图像中癌症检测的新型可解释深度学习方法。所提出的方法结合了解释和分类乳腺肿瘤的任务，通过学习相关的临床诊断的特征表示。根据临床医生在医疗实践中用于诊断和报告的形态学特征提供预测（良性或恶性）的说明。所采用的功能包括BI-RADS描述符的形状，方向，边缘，回声模式，和后方功能。此外，我们的方法预测了恶性肿瘤的可能性，这与临床医生报告的BI-RADS评估类别有关。在由1，192张图像组成的数据集上进行的实验验证表明，模型的准确性得到了提高，并得到了使用BI-RADS词典的临床术语解释的支持。
2021-10-05 cs.CV cs.LG
Hybrid Diffusion Model for Breast Ultrasound Image Augmentation
University of Central Florida（中佛罗里达大学）
本文提出混合扩散框架，结合文本生成与图像精修提升超声图像真实性，通过LoRA和文本倒置优化，降低FID值，提升分类性能。
2026-03-27 cs.AI cs.CV eess.IV
Tumor Saliency Estimation for Breast Ultrasound Images via Breast Anatomy Modeling
Utah State University（犹他州立大学）；Harbin Institute of Technology（哈尔滨工业大学）；University of Idaho（爱达荷大学）；The Affiliated Hospital of Qingdao University（青岛大学附属医院）；The Second Hospital of Hebei Medical University（河北医科大学第二医院）
肿瘤显著性估计的目的是通过对医学图像中的视觉刺激进行建模来定位肿瘤。然而，由于乳房的复杂解剖结构和差的图像质量，这对于乳房超声是一项具有挑战性的任务;并且现有的显著性估计方法仅对通用视觉刺激进行建模，例如，局部和全局对比度、位置和特征相关性，并且对于肿瘤显著性估计实现差的性能。在本文中，我们提出了一种新的优化模型来估计肿瘤的显着性，利用乳房解剖。首先，我们建模乳腺解剖结构和乳腺超声图像分解成层使用Neutro-Connectedness;然后利用层来生成前景和背景图;最后提出了一种新的目标函数来估计肿瘤的显着性，通过集成的前景图，背景图，自适应中心偏差，和基于区域的相关线索。实验结果表明，该方法结合了乳腺解剖学特征，能够获得更准确的前景和背景图，尤其是对于大小不等的肿瘤图像，同时新的目标函数能够处理无肿瘤图像。与使用两个乳房超声数据集的八种肿瘤显着性估计方法相比，新提出的方法实现了最先进的性能。
2019-06-18 cs.CV
Improving Segmentation of Breast Ultrasound Images: Semi Automatic Two Pointers Histogram Splitting Technique
Illinois Institute of Technology（伊利诺伊理工学院）；Rutgers University（罗格斯大学）
乳腺超声图像中存在噪声、斑点噪声和伪影，因此自动分割乳腺超声图像中的病变区域是一个具有挑战性的问题。BUS图像的边缘图也没有帮助，因为在大多数情况下，边缘图没有提供任何信息。几乎所有的分割技术都是以图像的边缘图作为第一步，尽管也有一些算法试图避免边缘图。改进乳腺超声图像的边缘图从理论上提高了自动分割的机会，更精确。在本文中，我们提出了一个半自动的技术直方图分裂使用两个指针。在这里，用户只需选择两个最初猜测的点，表示感兴趣区域（ROI）上的圆。该方法将自动研究内部直方图，并使用两个指针将其拆分。输出的BUS图像具有改进的边缘图，并且最终在其上的分割与使用相同算法和相同初始化的常规分割相比更好。此外，我们进一步处理边缘图，以减少边缘像素与面积的比例，提高均匀性和未来容易分割的机会。
2022-10-20 cs.CV eess.IV
HoVer-Trans: Anatomy-aware HoVer-Transformer for ROI-free Breast Cancer Diagnosis in Ultrasound Images
South China University of Technology（华南理工大学）；Guangdong Provincial People’s Hospital（广东省人民医院）；Guangdong Academy of Medical Sciences（广东省医学科学院）
超声检查具有无创、无辐射、费用低廉等优点，是乳腺癌诊断的重要常规检查方法。然而，由于乳腺癌固有的局限性，其诊断准确性仍然有限。如果我们能通过乳腺超声图像（BUS）准确诊断乳腺癌，那将是一个巨大的成功。已经提出了许多基于学习的计算机辅助诊断方法来实现乳腺癌诊断/病变分类。然而，它们中的大多数需要预定义的ROI，然后对ROI内的病变进行分类。传统的分类骨干，如VGG 16和ResNet 50，可以实现有希望的分类结果，没有ROI要求。但这些模型缺乏可解释性，从而限制了它们在临床实践中的应用。在这项研究中，我们提出了一种新的ROI的乳腺癌超声图像诊断模型与可解释的功能表示。我们利用解剖学的先验知识，恶性和良性肿瘤有不同的组织层之间的不同空间关系，并提出了一个悬停变压器制定这种先验知识。所提出的HoVer-Trans块水平和垂直地提取层间和层内空间信息。我们在BUS中进行并发布了用于乳腺癌诊断的开放数据集GDPH和SYSUCC。通过五重交叉验证，在三个数据集上与四个基于CNN的模型和两个Vision Transformer模型进行比较，对所提出的模型进行评估。它实现了最先进的分类性能和最佳的模型可解释性。同时，我们提出的模型优于两个高级超声医师对乳腺癌的诊断时，只有一个总线图像。
2022-07-15 cs.CV eess.IV
Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network
University of Idaho（爱达荷大学）
提出混合多任务网络Hybrid-MT-ESTAN，结合CNN与Swin Transformer进行乳腺超声肿瘤分类与分割，在3320张图像数据集上取得82.7%准确率等最优结果。
2023-08-04 cs.CV cs.LG eess.IV
RCA-IUnet: A residual cross-spatial attention guided inception U-Net model for tumor segmentation in breast ultrasound imaging
IIIT Allahabad（阿拉哈巴德印度理工学院）
深度学习技术的进步为生物医学图像分析应用做出了巨大贡献。由于乳腺癌是妇女中最常见的致命疾病，早期发现是提高生存率的关键手段。像超声这样的医学成像提供了器官功能的极好的视觉表示;然而，对于任何放射科医生来说，分析这种扫描是具有挑战性的，并且耗时，这会延迟诊断过程。虽然提出了各种基于深度学习的方法，取得了可喜的成果，本文介绍了一种有效的残余跨空间注意力引导的初始U-Net（RCA-IUnet）模型，具有最小的训练参数，用于使用乳腺超声成像进行肿瘤分割，以进一步提高不同肿瘤大小的分割性能。RCA-IUnet模型遵循U-Net拓扑结构，具有残差初始深度可分离卷积和混合池化（最大池化和频谱池化）层。此外，还加入了跨空间注意力过滤器，以抑制无关特征并聚焦于目标结构。该模型的分割性能验证两个公开可用的数据集使用标准的分割评估指标，它优于其他国家的最先进的分割模型。
2022-01-02 cs.CV eess.IV
Is Two-shot All You Need? A Label-efficient Approach for Video Segmentation in Breast Ultrasound
Guangdong Key Laboratory of Biomedical Measurements and Ultrasound Imaging（广东省生物医学测量与超声成像重点实验室）；School of Biomedical Engineering, Shenzhen University Medical School, Shenzhen University（深圳大学医学部生物医学工程学院）；Shenzhen University（深圳大学）
针对乳腺超声视频分割中密集标注难获取及现有VOS方法存在累积误差、时空感知不足的问题，提出一种two-shot标签高效训练框架，仅用1.9%标签即达到全标注性能。
2024-03-04 cs.CV eess.IV
Investigating Pulse-Echo Sound Speed Estimation in Breast Ultrasound with Deep Learning
Technical University of Munich（慕尼黑工业大学）；Stanford University School of Medicine（斯坦福大学医学院）；Johns Hopkins University（约翰斯·霍普金斯大学）
超声波是乳房X光检查的辅助工具，可以快速安全地帮助医生诊断乳房异常。临床超声通常假定恒定声速以形成用于诊断的B型图像。然而，不同类型的乳腺组织，如腺体、脂肪和病变，声速不同。这些差异会降低图像重建过程的质量。另外，声速可以成为识别疾病的有力工具。为此，我们提出了一种深度学习方法，用于从同相和正交超声信号中估计声速。首先，我们开发了一个大规模的模拟超声数据集，通过模拟乳腺，皮肤和病变的不同回声和声速产生准现实的乳腺组织。我们开发了一种在模拟数据集上训练的完全卷积神经网络架构，以通过输入由不同角度的平面波传输形成的三个复值同相和正交超声图像来产生估计的声速图。此外，在模型优化期间使用热噪声增强以增强对真实超声数据的可推广性。我们评估模型模拟，幻影，和体内乳腺超声数据，证明其准确估计声速与文献中先前报道的值一致的能力。我们的模拟数据集和模型将公开提供一个步骤，以准确和概括的声速估计脉冲回波超声成像。
2023-02-06 cs.AI cs.CV
Breast Ultrasound Computer-Aided Diagnosis Using Structure-Aware Triplet Path Networks
College of Information Science and Technology, Northwest University（西北大学信息科学与技术学院）；University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）
乳腺超声是检测和诊断乳腺癌的有效影像学手段。乳腺病变的结构特征在计算机辅助诊断（CAD）中起着重要的作用。本文设计了一种新的结构感知三重路径网络（SATPN），将分类和两个图像重建任务集成在一起，实现了在小训练集下对超声图像的准确诊断。具体而言，我们通过使用距离变换耦合高斯滤波器将原始乳腺US图像转换为BIRADS导向的特征图（BFM）来增强临床批准的乳腺病变结构特征。然后，将转换后的BFM用作SATPN的输入，SATPN独立地执行病变分类任务和用于良性和恶性图像重建任务的两个无监督堆叠卷积自动编码器（SCAE）网络。我们通过平衡图像重建误差和分类标签预测误差，使用交替学习策略训练SATPN。在测试阶段，病变标记通过加权投票确定重建误差和标记预测误差。我们将SATPN与使用原始图像作为输入的TPN以及我们以前开发的使用BFM作为输入的半监督深度学习方法的性能进行了比较。在两个乳腺US数据集上的实验结果表明，SATPN在三个网络中排名最好，分类准确率约为93.5%。这些结果表明，SATPN是有效的乳腺超声病变CAD使用小数据集的前景。
2020-06-14 cs.CV eess.IV
Automated Breast Lesion Segmentation in Ultrasound Images
University of Girona（赫罗纳大学）
本计画的主要目的是分割不同的乳房超音波影像，以找出病变区域，并舍弃低对比度区域以及固有的斑点杂讯。所提出的方法包括三个阶段（去除噪声，分割，分类），以提取正确的病变。我们使用归一化切割的方法来分割超声图像到感兴趣的区域，我们可能会发现病变，然后K-均值分类器被应用到最终确定的位置的病变。对于每一幅原始图像，给出一幅带注释的地面实况图像，与实验结果进行比较，提供准确的评价措施。
2016-09-27 cs.CV
Prompt-Free SAM-Based Multi-Task Framework for Breast Ultrasound Lesion Segmentation and Classification
本研究提出一种无需提示的基于SAM的多任务框架，通过分割引导学习提升乳腺超声影像中病变分割与分类的准确性。
2026-01-09 cs.AI cs.CV cs.LG
Explainable AI and susceptibility to adversarial attacks: a case study in classification of breast ultrasound images
Electrical and Computer Engineering（电气与计算机工程系）；Concordia University（康科迪亚大学）
本文研究乳腺癌超声图像分类中可解释AI的对抗攻击易感性，提出基于ResNet-50的多任务学习网络提升分类准确率，揭示对抗攻击可显著改变重要性图且难以检测。
2021-08-09 cs.CR cs.CV cs.LG
Weakly Supervised Lesion Detection and Diagnosis for Breast Cancers with Partially Annotated Ultrasound Images
Shanghai University（上海大学）；Fudan University Shanghai Cancer Center（复旦大学附属肿瘤医院）
针对乳腺癌超声CAD中粗标注限制诊断性能的问题，提出弱监督两阶段检测诊断网络TSDDNet，通过候选选择优化标注、自蒸馏联合优化，在检测和诊断任务上均达最优。
2023-06-12 cs.CV cs.LG eess.IV
Federated Breast Cancer Detection Enhanced by Synthetic Ultrasound Image Augmentation
Department of Radiology Northwestern University（放射科 北卡罗来纳大学）；NVIDIA
本文提出基于生成模型的数据增强框架，通过合成图像提升联邦学习在乳腺超声分类中的性能，实验表明适当使用合成数据可提升AUC指标，但过度使用反而降低性能。
2026-04-15 cs.AI cs.CV eess.IV
Automatic Breast Lesion Classification by Joint Neural Analysis of Mammography and Ultrasound
School of Electrical Engineering, Tel-Aviv University（特拉维夫大学电气工程学院）；The Manuel and Raquel Klachky Chair of Image Processing, School of Electrical Engineering, Tel-Aviv University（特拉维夫大学电气工程学院 Manuel and Raquel Klachky 图像处理教授职位）；Diagnostic Imaging, Sheba Medical Center, affiliated to the Sackler School of Medicine, Tel-Aviv University（舍巴医疗中心诊断影像科，隶属于特拉维夫大学萨克勒医学院）
乳腺X线摄影和超声被放射科医生广泛用作补充模式，以实现更好的乳腺癌诊断性能。然而，现有的用于乳房的计算机辅助诊断（CAD）系统通常基于单一模态。在这项工作中，我们提出了一种基于深度学习的方法，用于从各自的乳房X光检查和超声图像中对乳腺癌病变进行分类。我们提出了各种方法，并显示出一致的性能改善时，利用这两种方式。所提出的方法基于GoogleNet架构，在两个训练步骤中针对我们的数据进行了微调。首先，为每种模态单独训练一个不同的神经网络，生成高级特征。然后，源自每个模态的聚合特征被用于训练多模态网络以提供最终分类。在定量实验中，所提出的方法实现了0.94的AUC，优于在单一模态上训练的最先进的模型。此外，它的表现与普通放射科医生相似，超过了参与读者研究的四分之二的放射科医生。有希望的结果表明，该方法可能成为一个有价值的决策支持工具，乳腺放射科医生。
2020-09-23 cs.CV eess.IV
Computational Enhancement of Molecularly Targeted Contrast-Enhanced Ultrasound: Application to Human Breast Tumor Imaging
Charles Stark Draper Laboratory（查尔斯·斯塔克·德拉普尔实验室）；Stanford Medicine（斯坦福医学）；Bracco Diagnostics Corporation（布拉科诊断公司）
分子靶向造影增强超声（mCEUS）是一种通过靶向VEGFR2（KDR）受体成像进行早期癌症检测的临床有前途的方法。我们开发了针对mCEUS的计算增强技术，以解决人类成像对比度累积的独特挑战。这些技术利用动态分析来区分分子结合的造影剂与其他造影模式信号源，使得能够在造影剂团到达期间当由于分子结合而产生的信号最强时执行造影剂累积的分析。应用于首次人体分子超声乳腺病变研究的18名人类患者检查，计算增强提高了在涉及患者和探头运动的真实世界人类检查条件下区分病理学证实的病变和病理学证实的正常组织的能力，病变和正常组织之间的对比度改善在大多数情况下超过一个数量级（10倍）。值得注意的是，计算增强消除了假阳性结果，其中组织泄漏信号被放射科医师误解为造影剂积聚。
2020-06-22 cs.CV eess.IV
Learned super resolution ultrasound for improved breast lesion characterization
Weizmann Institute of Science（魏茨曼科学研究所）；Rabin Medical Center（拉宾医学中心）；Tel Aviv University（特拉维夫大学）
乳腺癌是女性最常见的恶性肿瘤。乳腺X线表现如微钙化和肿块，以及超声扫描中肿块的形态学特征，是肿瘤检测的主要诊断目标。然而，需要这些成像模式的改进的特异性。一个主要的替代靶点是新血管生成。当病理时，它有助于许多类型的肿瘤的发展和转移的形成。因此，通过微血管的可视化来展示新血管生成可能是非常重要的。超分辨率超声定位显微镜能够在毛细血管水平对微血管进行成像。然而，需要解决诸如重建时间长、依赖于系统点扩散函数（PSF）的先验知识以及超声造影剂（UCA）的可分离性等挑战，以将超分辨率US转化为临床。在这项工作中，我们使用了一个深度神经网络架构，有效地利用信号结构来解决这些挑战。我们提出了在人体内的三种不同的乳腺病变的临床超声扫描仪获得的结果。通过利用我们训练的网络，在短时间内恢复微血管结构，而无需事先了解PSF，并且不需要UCA的可分离性。每种回收物都表现出与已知组织学结构相对应的不同结构。本研究证明了基于临床扫描仪的体内人体超分辨率的可行性，以提高超声对不同乳腺病变的特异性，并促进超声在乳腺病理诊断中的应用。
2021-07-12 cs.CV cs.LG
Ensemble Transfer Learning of Elastography and B-mode Breast Ultrasound Images
Southwoods Imaging；Opticho
乳腺良性和恶性病变的计算机辅助检测（CAD）在乳腺超声（US）成像中变得越来越重要。CAD系统依赖于医学专家识别的成像特征来实现其性能，而深度学习（DL）方法自动从数据中提取特征。DL的挑战是可用于训练DL模型的乳房US图像不足。在这里，我们提出了一个集成迁移学习模型，使用B型乳腺超声（B-US）和应变弹性成像乳腺超声（SE-US）图像对良性和恶性乳腺肿瘤进行分类。该模型结合了AlexNet和ResNet模型的语义特征，可以对良性肿瘤和恶性肿瘤进行分类。我们使用B超和SE超图像来训练模型并对肿瘤进行分类。我们回顾性收集了85例患者的资料，其中42例良性和43例恶性病例经活检证实。每个患者有多个B-US及其相应的SE-US图像，总数据集包含261个B-US图像和261个SE-US图像。实验结果表明，我们的集成模型实现了88.89%的灵敏度和91.10%的特异性。所提出的方法的这些诊断性能相当于或优于人工识别。因此，我们提出的集成学习方法将有助于检测早期乳腺癌，可靠地改善患者护理。
2021-02-17 cs.AI cs.CV eess.IV
