基于PINN的增强多尺度特征融合网络用于乳腿 ultrasound 图像分割
计算机视觉与模式识别
2024-12-24 v1
摘要
随着深度学习和计算机视觉技术的快速发展，医学图像分割在乳腺癌早期诊断中发挥着关键作用。然而，由于乳腺超声图像的特征，如低对比度、散粒噪声以及肿瘤形态高度多样性，现有的分割方法在准确性和鲁棒性方面存在显著局限。为此，本文提出了一种基于PINN的增强多尺度特征融合网络。该网络在主干网络中引入了层次聚合编码器，通过若干结构创新和一种新颖的PCAM模块高效整合和全局建模多尺度特征。在解码器部分，采用多尺度特征细化解码器，并结合多尺度监督机制和校正模块，显著提高了分割精度和适应性。此外，融合PINN机制的损失函数在分割过程中引入物理约束，增强了模型准确描绘肿瘤边界的能力。对两个公开可用的乳腺超声数据集（BUSIS和BUSI）进行的全面评估表明，所提出的方法在分割精度和鲁棒性方面优于以往的分割方法，尤其是在复杂噪声和低对比度条件下，有效提高了肿瘤分割的准确性和可靠性。该方法为计算机辅助诊断乳腺超声图像提供了更精确和更稳健的解决方案。
引用
@article{arxiv.2412.16937,
title = {PINN-EMFNet: PINN-based and Enhanced Multi-Scale Feature Fusion Network for Breast Ultrasound Images Segmentation},
author = {Jiajun Ding and Beiyao Zhu and Wenjie Wang and Shurong Zhang and Dian Zhua and Zhao Liua},
journal= {arXiv preprint arXiv:2412.16937},
year = {2024}
}