PBE-UNet: 一种轻量级渐进边界增强 U-Net 用于超声图像分割
计算机视觉与模式识别
2026-04-16 v1
摘要
准确的病灶超声图像分割是预防性筛查和临床诊断的关键,但因对比度低、边界模糊以及显著的尺度变化而具有挑战性。尽管已有基于深度学习的方法取得了显著进展,但这些方法仍在尺度变化和边界不清晰方面存在困难。为此,我们提出一种渐进边界增强 U-Net (PBE-UNet)。具体而言,我们首先引入尺度感知聚合模块 (SAAM),其可动态调整感受野以捕获稳健的多尺度上下文信息。随后,我们提出边界引导特征增强 (BGFE) 模块以增强特征表示。我们发现，狭窄边界与宽广分割误差区域之间存在较大差距。不同于现有方法将边界视为静态掩码, BGFE 模块会逐步将狭窄边界预测扩展为更广阔的空间注意力图。于是,更广阔的空间注意力图能够有效覆盖更广泛的分割误差区域,并增强模型对这些具有挑战性区域的关注。我们在四个超声图像基准数据集上进行大量实验: BUSI、Dataset B、TN3K 和 BP。实验结果表明,我们提出的 PBE-UNet 在超声图像分割方法上优于状态最佳方法。代码已在 https://github.com/cruelMouth/PBE-UNet 提供。
引用
@article{arxiv.2604.13791,
title = {PBE-UNet: A light weight Progressive Boundary-Enhanced U-Net with Scale-Aware Aggregation for Ultrasound Image Segmentation},
author = {Chen Wang and Yixin Zhu and Yongbin Zhu and Fengyuan Shi and Qi Li and Jun Wang and Zuozhu Liu and Keli Hu},
journal= {arXiv preprint arXiv:2604.13791},
year = {2026}
}
备注
14 pages, 14 figures