HADS-Net：面向乳腿超声图像分类的混合注意力增强双流网络与物理信息增强
计算机视觉与模式识别
2026-05-21 v1
摘要
将乳腿超声图像准确分类为良性、恶性和正常类别是临床中的关键任务，受信噪比、声学阴影和类别间视觉模糊的制约。现有的深度学习方法依赖单流架构和通用数据增强，忽略了超声采集物理学，且没有任何方法专门针对被诊断上限界特征（最具诊断意义的视觉线索）而设计。我们提出了 HADS-Net，一种利用全局纹理和局部边界线索的混合注意力增强双流网络。流 1 应用物理信息增强，模拟信噪比、声学阴影和增益变化，然后通过预训练的 EfficientNet-B3 提取特征并投影到 512 维。流 2 提取 Sobel 边缘图并由轻量级 CNN 处理，投影到相同的 512 维空间。跨注意力融合模块允许纹理流有选择地查询边界特征，产生联合优化的表示并由 MLP 分类器进行分类，采用自适应类别加权焦点损失进行训练。采用 5 折分层交叉验证和余弦退火进行 50 个 epoch 的训练，选取在 held-out 测试集上验证损失最低的全局最佳检查点。在 BUSI 数据集上，HADS-Net 达到 96.58% 的准确率，宏观 ROC-AUC 为 0.9978，宏观 F1 为 0.9654，分别为良性、恶性和正常类别的 per-class F1 分别为 0.970、0.951 和 0.976。未发现任何恶性肿瘤被误分类为正常。这些结果确认，针对超声学的模态特定数据增强与跨模态注意力融合是乳腿癌诊断的有效策略。
引用
@article{arxiv.2605.20536,
title = {HADS-Net:A Hybrid Attention-Augmented Dual-Stream Network with Physics-Informed Augmentation for Breast Ultrasound Image Classification},
author = {Chinedu Emmanuel Mbonu and Blessing Nwamaka Iduh and Joseph Ikechukwu Odo and Doris Chinedu Asogwa},
journal= {arXiv preprint arXiv:2605.20536},
year = {2026}
}
备注
7 pages, 4 figures