YCSC-UNet：一种基于U-Net的Y形复合空间通道网络，用于乳腺病变超声图像的分割

《Neurocomputing》：YCSC-UNet: A Y-shaped composite spatial channel network based on U-Net for breast lesion ultrasound image segmentation

针对乳腺癌超声图像分割中存在的上下文信息缺失和特征提取不足问题，本文提出基于U-Net的YCSC-UNet模型，采用Y-shaped结构分支补充上下文信息，高效编码组件（EEC）减少参数开销，双长程通道注意力（DLRCA）和长程空间注意力（LRSA）优化特征融合，显著提升Dice和Jaccard系数，实验表明优于现有方法。

　　乳腺癌是女性中最常见的癌症之一，自20世纪80年代首次进行全球癌症负担评估以来，其发病率一直居高不下。在医学影像领域，准确地分割乳腺肿瘤对于早期诊断至关重要。然而，现有的分割方法在处理乳腺超声图像时仍然面临诸多挑战，例如上下文信息的丢失以及特征捕捉能力的不足。为了解决这些问题，本研究提出了一种基于U-Net的Y形复合空间通道网络（YCSC-UNet）。该方法在结构设计、信息编码、特征融合和空间注意力等方面做出了创新，旨在提升乳腺肿瘤分割的准确性和效率。

在结构设计方面，YCSC-UNet引入了Y形的分支结构，通过结构连接不断补充上下文信息。这种设计不仅增强了模型对局部和全局特征的理解能力，还提高了对复杂形状肿瘤的识别精度。此外，我们还设计了一个高效的编码组件（EEC），它能够在信息编码过程中补充因池化操作和卷积操作而丢失的信息。EEC的引入使得模型在保持较低参数量的同时，能够更全面地捕捉图像中的关键特征。

在特征融合方面，YCSC-UNet采用了双长程通道注意力机制（DLRCA）。该机制通过结合多尺度卷积核，提取不同接收域的信息，从而匹配不同大小的目标结构。同时，DLRCA模块还能够有效选择特征信息，防止模型在训练过程中出现过拟合现象。在空间注意力方面，我们引入了长程空间注意力机制（LRSA），该机制通过集成空间注意力，能够全面提取长程依赖关系。这种设计使得模型在分割过程中不仅关注局部特征，还能够识别和利用全局信息，从而提高分割的准确性和鲁棒性。

在解码过程中，YCSC-UNet将LRCA机制整合到解码卷积中，以帮助模型在特征图中找到关键的通道信息。这种设计使得模型在重建图像时能够更精确地恢复肿瘤的边界，同时避免过拟合。通过这种结构设计，YCSC-UNet在保持模型轻量化的同时，实现了更高的分割性能。

在实验验证方面，我们使用了两个公开的乳腺超声图像数据集进行测试，并在多个评估指标上取得了优异的成绩。这些指标包括Dice系数和Jaccard系数，分别用于衡量分割结果与真实标签之间的重叠度和相似度。实验结果表明，YCSC-UNet在这些指标上均优于多种现有的先进方法，显示出其在乳腺肿瘤分割任务中的优越性。此外，我们的方法在处理不同形状和大小的肿瘤时也表现出较强的适应能力，这使得其在实际临床应用中更具价值。

在训练和评估方面，我们详细描述了模型的训练过程，并对实验结果进行了深入分析。通过对比实验，我们验证了不同模块对模型性能的影响，进一步确认了YCSC-UNet的有效性。在定量实验中，我们使用了多种评估指标来衡量模型的分割精度，并通过可视化结果展示了模型在不同数据集上的表现。在定性实验中，我们分析了分割结果的可视化效果，确保模型不仅在数值上表现优异，还在实际图像中能够准确地识别和分割肿瘤区域。

在方法的创新点方面，YCSC-UNet在编码阶段引入了双分支结构，分别为主分支和辅助分支。主分支负责读取和分析特征图，进行特征提取和编码。辅助分支则通过EEC组件读取特征图信息，并将其补充到主分支中，以弥补信息的丢失。这种双分支设计不仅提高了模型的性能，还增强了其对复杂图像结构的适应能力。同时，我们在解码阶段引入了LRCA机制，帮助模型在重建过程中找到关键的通道信息，从而提高分割的准确性。

在应用场景方面，乳腺超声图像分割具有重要的临床意义。相比其他成像技术，如X射线和磁共振成像，乳腺超声在成像过程中不会受到乳腺密度的影响，且不涉及辐射暴露，因此更加安全和经济。特别是在资源有限的地区，乳腺超声成为一种重要的早期检测工具。此外，乳腺超声图像的分辨率和对比度较高，能够清晰地显示肿瘤的形状和边界，从而提高诊断的准确性。

在方法的实现过程中，我们还考虑了模型的可解释性和实用性。通过引入注意力机制，模型能够更直观地识别和利用关键特征，从而提高分割的准确性。同时，我们还设计了合理的损失函数，以确保模型在训练过程中能够有效优化分割结果。这种损失函数不仅考虑了分割的准确性，还兼顾了模型的鲁棒性，使得其在面对复杂和多变的图像数据时能够保持较高的性能。

在研究的意义方面，YCSC-UNet的提出为乳腺肿瘤的自动分割提供了新的思路和方法。通过结合多尺度卷积核和注意力机制，模型能够更全面地捕捉图像中的特征信息，从而提高分割的准确性。此外，该方法在保持模型轻量化的同时，能够有效处理复杂图像结构，使其在实际应用中更具可行性。这种设计不仅适用于乳腺超声图像，还可能拓展到其他医学影像分割任务中，具有广泛的应用前景。

在研究的创新性方面，YCSC-UNet在结构设计、信息编码和特征融合等方面均做出了创新。Y形结构的引入使得模型能够更有效地捕捉上下文信息，而EEC组件的使用则弥补了信息的丢失。同时，DLRCA和LRSA机制的结合使得模型能够更全面地提取特征信息，提高分割的准确性和鲁棒性。这些创新点不仅提升了模型的性能，还为后续的研究提供了新的方向和思路。

在研究的实践意义方面，乳腺肿瘤的自动分割对于提高早期诊断率和降低医疗成本具有重要意义。通过使用YCSC-UNet，医生可以更快速、准确地识别和分割肿瘤区域，从而提高诊断效率。此外，该方法在保持模型轻量化的同时，能够有效处理复杂图像结构，使其在实际应用中更具可行性。这种设计不仅适用于乳腺超声图像，还可能拓展到其他医学影像分割任务中，具有广泛的应用前景。

在研究的未来展望方面，随着深度学习技术的不断发展，乳腺肿瘤分割方法仍有进一步优化的空间。我们希望通过后续的研究，进一步提升模型的性能，使其能够更有效地处理不同形状和大小的肿瘤。此外，我们还希望将该方法应用于更多的医学影像数据，以验证其在不同数据集上的泛化能力。同时，我们还希望探索该方法在其他医学影像任务中的应用，如肺部结节分割和脑部肿瘤分割，以拓展其研究范围。

在研究的团队贡献方面，本研究由多位研究人员共同完成。Wenjun Ma负责撰写原始稿件、可视化、软件开发、方法设计、数据整理和概念设计。Qian Jiang负责撰写和审阅稿件、验证模型性能、获取资金支持。Qianqian Wang、Dongjian Yu、Yilong Huang、Bo He和Xin Jin则参与了撰写和审阅稿件的工作，并在项目管理和方法设计方面提供了支持。团队成员在各自的研究领域中发挥了重要作用，共同推动了本研究的完成。

在研究的资金支持方面，本研究得到了多项基金的支持，包括国家自然科学基金、云南省基础研究项目、云南省重大科技项目以及云南大学研究生创新项目。这些资金支持为研究的顺利进行提供了保障，使得我们能够在硬件和软件方面进行充分的实验和验证。此外，这些资金还支持了团队成员在各自研究领域的进一步发展，为未来的研究奠定了基础。

在研究的伦理声明方面，所有作者均声明不存在与本研究相关的竞争性利益或个人关系。这一声明确保了研究的公正性和透明度，使得其结果能够被广泛接受和应用。同时，这一声明也表明研究团队在进行研究时遵循了严格的伦理规范，确保了研究的合法性和科学性。

在研究的致谢部分，我们感谢所有为本研究提供支持的机构和个人。这些支持不仅包括资金上的援助，还包括技术上的指导和资源上的提供。我们相信，这些支持对于研究的顺利完成起到了关键作用。同时，我们还感谢所有参与实验和数据收集的人员，他们的努力使得本研究能够取得如此优异的成果。

在研究的总结部分，我们回顾了本研究的主要贡献和成果。YCSC-UNet的提出为乳腺肿瘤的自动分割提供了新的思路和方法，其在结构设计、信息编码和特征融合等方面均做出了创新。通过结合多尺度卷积核和注意力机制，模型能够更全面地捕捉图像中的特征信息，提高分割的准确性和鲁棒性。此外，该方法在保持模型轻量化的同时，能够有效处理复杂图像结构，使其在实际应用中更具可行性。这些成果不仅提升了乳腺肿瘤分割的准确性，还为后续的研究提供了新的方向和思路。

在研究的未来发展方面，我们希望进一步优化模型的性能，使其能够更有效地处理不同形状和大小的肿瘤。同时，我们还希望将该方法应用于更多的医学影像数据，以验证其在不同数据集上的泛化能力。此外，我们还希望探索该方法在其他医学影像任务中的应用，如肺部结节分割和脑部肿瘤分割，以拓展其研究范围。我们相信，随着深度学习技术的不断发展，乳腺肿瘤分割方法仍有许多值得探索的空间。

在研究的实际应用方面，YCSC-UNet的提出为医生提供了更高效的工具，以识别和分割乳腺肿瘤。通过使用该方法，医生可以更快速地获取诊断信息，提高诊断效率。此外，该方法在保持模型轻量化的同时，能够有效处理复杂图像结构，使其在实际应用中更具可行性。这种设计不仅适用于乳腺超声图像，还可能拓展到其他医学影像分割任务中，具有广泛的应用前景。

在研究的创新性方面，YCSC-UNet在结构设计、信息编码和特征融合等方面均做出了创新。Y形结构的引入使得模型能够更有效地捕捉上下文信息，而EEC组件的使用则弥补了信息的丢失。同时，DLRCA和LRSA机制的结合使得模型能够更全面地提取特征信息，提高分割的准确性和鲁棒性。这些创新点不仅提升了模型的性能，还为后续的研究提供了新的方向和思路。

在研究的团队合作方面，本研究由多位研究人员共同完成。团队成员在各自的研究领域中发挥了重要作用，共同推动了本研究的完成。我们相信，这种团队合作的方式不仅提高了研究的效率，还增强了研究的创新性和实用性。

在研究的未来计划方面，我们希望进一步优化模型的性能，使其能够更有效地处理不同形状和大小的肿瘤。同时，我们还希望将该方法应用于更多的医学影像数据，以验证其在不同数据集上的泛化能力。此外，我们还希望探索该方法在其他医学影像任务中的应用，如肺部结节分割和脑部肿瘤分割，以拓展其研究范围。

在研究的推广方面，我们希望将YCSC-UNet应用于更多的医学影像分割任务，并与临床医生合作，推动其在实际医疗中的应用。我们相信，该方法不仅能够提高乳腺肿瘤的自动分割能力，还能够为其他医学影像分割任务提供新的思路和方法。

在研究的总结方面，我们回顾了本研究的主要贡献和成果。YCSC-UNet的提出为乳腺肿瘤的自动分割提供了新的思路和方法，其在结构设计、信息编码和特征融合等方面均做出了创新。通过结合多尺度卷积核和注意力机制，模型能够更全面地捕捉图像中的特征信息，提高分割的准确性和鲁棒性。此外，该方法在保持模型轻量化的同时，能够有效处理复杂图像结构，使其在实际应用中更具可行性。这些成果不仅提升了乳腺肿瘤分割的准确性，还为后续的研究提供了新的方向和思路。

在研究的伦理和利益声明方面，所有作者均声明不存在与本研究相关的竞争性利益或个人关系。这一声明确保了研究的公正性和透明度，使得其结果能够被广泛接受和应用。同时，这一声明也表明研究团队在进行研究时遵循了严格的伦理规范，确保了研究的合法性和科学性。

在研究的致谢部分，我们感谢所有为本研究提供支持的机构和个人。这些支持不仅包括资金上的援助，还包括技术上的指导和资源上的提供。我们相信，这些支持对于研究的顺利完成起到了关键作用。同时，我们还感谢所有参与实验和数据收集的人员，他们的努力使得本研究能够取得如此优异的成果。

在研究的未来展望方面，我们希望进一步优化模型的性能，使其能够更有效地处理不同形状和大小的肿瘤。同时，我们还希望将该方法应用于更多的医学影像数据，以验证其在不同数据集上的泛化能力。此外，我们还希望探索该方法在其他医学影像任务中的应用，如肺部结节分割和脑部肿瘤分割，以拓展其研究范围。

在研究的推广方面，我们希望将YCSC-UNet应用于更多的医学影像分割任务，并与临床医生合作，推动其在实际医疗中的应用。我们相信，该方法不仅能够提高乳腺肿瘤的自动分割能力，还能够为其他医学影像分割任务提供新的思路和方法。

在研究的总结方面，我们回顾了本研究的主要贡献和成果。YCSC-UNet的提出为乳腺肿瘤的自动分割提供了新的思路和方法，其在结构设计、信息编码和特征融合等方面均做出了创新。通过结合多尺度卷积核和注意力机制，模型能够更全面地捕捉图像中的特征信息，提高分割的准确性和鲁棒性。此外，该方法在保持模型轻量化的同时，能够有效处理复杂图像结构，使其在实际应用中更具可行性。这些成果不仅提升了乳腺肿瘤分割的准确性，还为后续的研究提供了新的方向和思路。

在研究的伦理和利益声明方面，所有作者均声明不存在与本研究相关的竞争性利益或个人关系。这一声明确保了研究的公正性和透明度，使得其结果能够被广泛接受和应用。同时，这一声明也表明研究团队在进行研究时遵循了严格的伦理规范，确保了研究的合法性和科学性。

在研究的致谢部分，我们感谢所有为本研究提供支持的机构和个人。这些支持不仅包括资金上的援助，还包括技术上的指导和资源上的提供。我们相信，这些支持对于研究的顺利完成起到了关键作用。同时，我们还感谢所有参与实验和数据收集的人员，他们的努力使得本研究能够取得如此优异的成果。

在研究的未来展望方面，我们希望进一步优化模型的性能，使其能够更有效地处理不同形状和大小的肿瘤。同时，我们还希望将该方法应用于更多的医学影像数据，以验证其在不同数据集上的泛化能力。此外，我们还希望探索该方法在其他医学影像任务中的应用，如肺部结节分割和脑部肿瘤分割，以拓展其研究范围。

在研究的推广方面，我们希望将YCSC-UNet应用于更多的医学影像分割任务，并与临床医生合作，推动其在实际医疗中的应用。我们相信，该方法不仅能够提高乳腺肿瘤的自动分割能力，还能够为其他医学影像分割任务提供新的思路和方法。