本研究介绍了一种用于乳腺癌诊断的简单生成分割掩模的网络，该网络可以高效地分割乳房活检图像中不同类型的组织，并同时预测识别图像中重要区域的判别映射。该网络扩展了U-Net，通过添加判别图生成的并行支路和支持卷积块模块化实现，从而允许用户在不改变网络拓扑结构的情况下调整网络效率。与最接近的竞争对手相比，Y-Net学习的参数少6.6倍，达到了最先进的分割准确性。从Y-Net的判别性分割掩模的描述能力的加入可以使诊断分类精度比最先进的方法提高7%。

Jun, 2018

本研究旨在开发一种算法，可以识别和描绘乳腺超声和乳腺X线摄影图像中的肿瘤区域；该技术利用U-Net和pretrained SAM等两种先进的深度学习架构进行肿瘤分割，在不同类型的肿瘤中，U-Net模型在精确定位和分割肿瘤区域方面表现优异。

Jun, 2023

本研究提出了一种混合多任务深度神经网络(Hybrid-MT-ESTAN)，用于乳腺超声图像的肿瘤分类和分割，该网络结合了CNN和Swin Transformer组件，实现了对全局上下文信息的捕捉和局部图像模式的保留，并在一个包含3320个超声图像的数据集上与九种分类方法进行了比较，结果表明Hybrid-MT-ESTAN取得了82.7%的准确率、86.4%的灵敏度和86.0%的F1分数。

Aug, 2023

通过使用卷积神经网络和波及注意力机制，结合音速微运动成像（VSI）技术，研究人员提出了一种名为Wavelet_Attention_UNet（WATUNet）的新型分割模型，该模型在乳腺癌诊断方面具有突出表现，在两个数据集上的Dice系数和F1得分均超过了其他深度网络的表现。

Nov, 2023

我们提出了一种轻量级乳腺肿瘤分割的双路径联合知识蒸馏框架LightBTSeg，通过使用深度学习方法和知识蒸馏技术，在乳腺超声图像中实现高性能的肿瘤分割。

Nov, 2023

UGGNet是一种结合了U-Net和VGG架构的新型模型，用于增强乳腺超声图像分析的性能，提供准确的乳腺超声图像诊断的综合解决方案。

Jan, 2024

通过提出一种新的结构感知网络和平滑度项，以更好地利用组织解剖学信息并生成更准确的语义边界，对乳腺超声图像进行分割，从而显著改善了肌肉、乳腺和肿瘤类别的分割结果，并产生更准确的组织边界细节。

Mar, 2024

本研究提出了一种新颖的乳腺超声图像分割方法，称为BUSSAM，通过使用适配器技术将Segment Anything Model（SAM）迁移到乳腺超声图像分割领域。通过设计轻量级的CNN图像编码器以及交叉支路适配器，位置适配器和特征适配器对原始SAM进行微调，实验结果表明，我们的模型在医学图像分割方面具有显著优势。

Apr, 2024

本研究提出了多注意力增强的深度学习框架，用于从超声图像中进行乳腺癌肿瘤的分类和分割，实验结果显示其在分割和分类任务上取得了优异的性能。

Jul, 2024

本研究解决了超声图像分割中因噪声和不可预测性而带来的重大挑战。我们提出了EUIS-Net，这是一种高效且精确的卷积神经网络，利用编码器-解码器结构和注意力机制显著降低计算复杂性并提高特征表示能力。研究结果表明，EUIS-Net在临床应用中具有重要的潜力和强大的适应性。

Aug, 2024