基于混合损失驱动的融合多尺度级联 CBAM 的注意力残差 U-Net 用于乳腺癌分割

在医学影像中，乳腺肿瘤分割是早期检测中最具挑战性的任务。然而，由于低对比度、不规则形状、模糊边界和噪声的存在，肿瘤分割任务依然面临重重困难。为了解决这些问题，提出了一种 U 形编码器-解码器网络，该网络由残差块和多级联卷积块注意力模块（MC-CBAM）组成，用于分割乳腺病变。MC-CBAM 模块包含通道注意力（专注于最重要通道的细化），而空间注意力则负责通过包括 1 × 1、3 × 3 和 5 × 5 在内的不同尺度的级联卷积来细化空间特征。该架构包含 4 个编码器块和 4 个解码器块，通过跳跃连接进行整合，并在两者之间设有瓶颈层。模型使用选定的超参数进行训练，包括批大小 8、50 个 epoch 以及 1e-4 的学习率。此外，计算了一个结合了 Tversky 损失和基于 Dice 的损失的联合损失函数，以改善分割过程，特别是对于小型肿瘤区域。在超声和组织病理学数据集上评估了所提出框架的有效性。结果表明，集成 MC-CBAM 块有助于实现更好的分割过程。在名为三阴性乳腺癌组织（TNBC）的组织病理学数据集上，该模型的 Dice 和 Jaccard 分别达到了 80.54% 和 67.43%。而在使用超声数据集时，该模型在 UDIAT 数据集上的 Dice 和 Jaccard 分别达到 87.23% 和 77.36%，在 BUSI 数据集上分别达到 83.96% 和 73.25%。这些结果体现了跨不同成像模态的稳健性。