面向放射科医生启发的乳腺超声诊断的跨阶段注意力多专家网络
计算机视觉与模式识别
2026-05-26 v1 人工智能
摘要
乳腺超声成像是早期乳腺癌诊断的重要无创方法，但由于肿瘤异质性、边界模糊和数据不平衡，自动良恶性分类仍然具有挑战性。为了提升特征表示和分类精度，本文提出了跨阶段注意力混合专家网络（CSA-MoE-Net）。它采用跨阶段注意力增强的ResNet-18作为骨干网络，其中跨阶段注意力模块自适应地重新校准多级特征，从而增强关键肿瘤特征并抑制冗余。一个三分支混合专家（MoE）块从全肿瘤图像、肿瘤核心和边界学习互补特征，并由自适应门控网络融合以捕获形态、纹理和上下文信息。融合后的特征在架构中记为融合专家特征（FEF）。在包含2,129张乳腺超声图像的平衡数据集上的实验表明，在20次独立运行的平均结果中，该模型达到了96.33%的准确率、94.09%的精确率、98.53%的召回率、96.25%的F1分数和99.50%的AUC。与基线ResNet-18相比，这些指标分别提升了3.01、0.70、5.37、2.98和5.42个百分点。所提出的机制无需侵入性修改，可无缝嵌入VGG-16、DenseNet-121等网络，并带来稳定的性能提升，从而为计算机辅助诊断提供可靠支持。
引用
@article{arxiv.2605.25518,
title = {Cross-Stage Attention Multi-Expert Network for Radiologist-Inspired Breast Ultrasound Diagnosis},
author = {Xinyang Zhai and Chong Yang and Ruizhi Zhang},
journal= {arXiv preprint arXiv:2605.25518},
year = {2026}
}