基于U-Net++网络的乳腺超声图像肿瘤分割与BI-RADS分类_医学图像处理.docxVIP

PAGE2

《基于U-Net++网络的乳腺超声图像肿瘤分割与BI-RADS分类》

第一章绪论

1.1设计背景与问题提出

1.1.1领域发展现状

医学图像处理技术近年来在深度学习驱动下取得显著进展。乳腺超声成像作为无创筛查手段，因其成本低、实时性强，已成为乳腺癌早期诊断的重要工具。然而，超声图像固有的噪声干扰、低对比度及边界模糊问题，导致人工分割肿瘤区域耗时且主观性强。

当前主流分割网络如U-Net虽在自然图像分割中表现优异，但面对乳腺超声的复杂纹理时泛化能力不足。公开数据集如BUSI（BreastUltrasoundImages）显示，传统方法分割Dice系数仅0.72–0.78，难以满足临床精度需求。技术瓶颈集中于多尺度特征融合不足与上下文信息利用不充分。

此外，BI-RADS（BreastImagingReportingandDataSystem）分类依赖放射科医生经验，主观差异导致误诊率高达15%。深度学习虽尝试结合分割与分类，但现有模型常忽视肿瘤形态学特征与影像学标志的关联性，限制了辅助诊断的可靠性。

1.1.2设计问题提出

临床实践中，乳腺肿瘤分割精度不足直接引发BI-RADS分类偏差。例如，肿瘤边缘分割模糊可能将恶性病灶误判为良性（BI-RADS3级），延误治疗时机。问题源于超声图像伪影干扰与网络结构局限，导致分割结果漏检率超20%。

该问