DOI: https://doi.org/10.62762/tetai.2026.494190
تاريخ النشر: 2026-03-06
المؤلف: Tingli Su وآخرون
الموضوع الرئيسي: تقنيات تقسيم الصور الطبية
نظرة عامة
تقدم ورقة البحث SEFF-Net، وهي شبكة دمج ميزات جديدة تعتمد على حواف مصممة لتعزيز تقسيم صور الموجات فوق الصوتية للثدي، وهو أمر حاسم للكشف المبكر عن سرطان الثدي. تستخدم البنية إطار عمل مشفر-مفكك على شكل حرف U يلتقط تمثيلات دلالية متعددة المستويات بينما يتناول التحديات مثل الضوضاء الشديدة، وانخفاض التباين، وحدود الأورام غير الواضحة. تشمل الابتكارات الرئيسية وحدة تعزيز الحافة ذات التعلم الذاتي، التي تحسن إدراك الحدود في مراحل التشفير السطحية، ووحدة دمج الميزات المكانية، التي تدمج الميزات متعددة المقاييس لتحقيق توازن بين التفاصيل المكانية منخفضة المستوى والمعلومات الدلالية عالية المستوى. بالإضافة إلى ذلك، تم تقديم دالة خسارة مشتركة تجمع بين قيود الاتساق المعتمدة على المنطقة والإشراف الحساس للحدود للتخفيف من عدم توازن الفئات وتعزيز تعلم الحدود.
تشير النتائج إلى أن SEFF-Net تستخدم بفعالية كل من الميزات الدلالية العميقة وميزات الحواف، محققة أداء تقسيم متفوق على مجموعات بيانات الموجات فوق الصوتية لسرطان الثدي. يتضمن النموذج وحدة تدرج عالمية تكيفية (AGGM) لتجميع الميزات العميقة متعددة المقاييس ووحدة دمج الميزات المكانية (SFFM) لدمج الميزات السطحية مع التمثيلات الدلالية العميقة. تؤكد دراسات الإزالة على مساهمات كل وحدة، ويظهر النموذج تعميماً قوياً عبر ثلاث مجموعات بيانات إضافية. على الرغم من دقتها العالية في تقسيم حدود الآفات غير الواضحة، يعترف المؤلفون بالحاجة إلى مزيد من التحسين لتعزيز الكفاءة الحسابية للتطبيقات السريرية. ستركز الأبحاث المستقبلية على تقليل تعقيد النموذج وعدد المعلمات لتحسين سرعة الاستدلال، مما يسهل التشخيص الأولي في الوقت الحقيقي من قبل الأطباء.
مقدمة
لا يزال سرطان الثدي يشكل تهديدًا صحيًا كبيرًا، حيث تؤكد معدلات الإصابة المتزايدة على أهمية التشخيص المبكر لتحسين نتائج المرضى. تُستخدم الموجات فوق الصوتية للثدي، وهي وسيلة تصوير غير جراحية وفعالة من حيث التكلفة، على نطاق واسع في الفحص والتشخيص. ومع ذلك، فإن التحديات مثل ضوضاء النقاط، وعدم تجانس الشدة، والحدود غير الواضحة تعقد تقسيم الآفات بدقة، حتى بالنسبة لأطباء الأشعة ذوي الخبرة. أظهرت التقدمات الأخيرة في التعلم العميق، وخاصة من خلال الشبكات العصبية التلافيفية (CNNs) ونماذج CNN-Transformer الهجينة، وعدًا في تقسيم الصور الطبية. على الرغم من هذه التقدمات، تكافح الطرق الحالية مع التعقيدات الفريدة لصور الموجات فوق الصوتية، بما في ذلك انخفاض التباين والحدود غير الواضحة، مما يستلزم دمج آليات الانتباه ودمج الميزات متعددة المقاييس لتعزيز دقة التقسيم.
تقدم هذه الورقة شبكة تعزيز الحواف ذات التعلم الذاتي ودمج الميزات (SEFF-Net) التي تهدف إلى تحسين دقة التقسيم لمناطق الآفات غير الواضحة في صور الموجات فوق الصوتية للثدي. تستخدم SEFF-Net بنية مشفرة-مفككة على شكل حرف U تلتقط وتدمج ميزات الحواف والدلالية متعددة المقاييس. تشمل المساهمات الرئيسية وحدة تعزيز الحافة لتحسين الحدود بشكل تكيفي، ووحدات تجميع ودمج الميزات العميقة لنمذجة السياق العالمي بشكل فعال، ودالة خسارة هجينة مصممة لتعزيز أداء تقسيم الحواف. تعالج الإطار المقترح التحديات الحرجة في تقسيم صور الموجات فوق الصوتية للثدي، بما في ذلك الحاجة إلى تحسين التفاعل بين معلومات الحدود والميزات الدلالية، ودمج الميزات متعددة المقاييس لتحسين تمييز مناطق الحدود الضعيفة.
طرق البحث
تستخدم منهجية الدراسة بنية U-Net مصممة لتقسيم صور الموجات فوق الصوتية الطبية، تتضمن مشفرًا، واتصالات تخطي، ومفكك. يتكون المشفر من أربعة كتل تولد تمثيلات ميزات هرمية. تركز الطبقات الثلاث الأولى على التمثيلات السطحية الغنية بمعلومات الحواف، المعززة بواسطة وحدة تعزيز الحافة ذات التعلم الذاتي (SEEM). في المقابل، تؤكد الطبقات الأعمق على الميزات الدلالية عالية المستوى، التي يتم تجميعها باستخدام وحدة التجميع (AGGM). تؤدي هذه الطريقة المزدوجة لاستخراج الميزات إلى مجموعات ميزات تكاملية يتم دمجها من خلال وحدة دمج الميزات الانتقائية (SFFM) قبل معالجتها بواسطة المفكك لزيادة الحجم والتنبؤات النهائية.
تشير النتائج التجريبية إلى أن SEFF-Net المقترحة تظهر أداءً قويًا في التقسيم عبر أحجام الآفات المختلفة على مجموعة بيانات BUSI. بالنسبة للآفات الكبيرة، يلتقط النموذج الشكل بدقة ويتماشى عن كثب مع الحقيقة الأرضية، مع عرض الحد الأدنى من التقسيم الناقص وانقطاع الحدود. في السيناريوهات الصعبة التي تتضمن آفات صغيرة، تحافظ SEFF-Net على استمرارية الحدود وتنجح في تحديد مواقع الآفات على الرغم من تداخل الضوضاء، مع ملاحظات فقط عن انحرافات طفيفة. كميًا، تتفوق SEFF-Net على الطرق الحالية، محققة أعلى متوسط تقاطع على اتحاد (mIoU) بنسبة 86.88%، ودقة عامة (OA) بنسبة 96.83%، وأدنى مسافة سطحية متوسطة متماثلة (ASSD) تبلغ 11.15، مما يبرز قدرتها على تعلم أشكال الآفات المعقدة وخصائص الحدود بفعالية.
النتائج
تظهر نتائج الدراسة فعالية SEFF-Net في تقسيم صور الموجات فوق الصوتية للثدي من خلال تقييم عبر مجموعات بيانات مختلفة. تم تدريب النموذج حصريًا على مجموعة بيانات BUSI واختباره على UDIAT وOMI وBUET دون أي إعادة تدريب أو ضبط دقيق. على الرغم من التباينات الكبيرة في أجهزة التصوير، ومعايير التوصيف، ومستويات الضوضاء عبر هذه المجموعات، أظهرت SEFF-Net أداءً قويًا.
يمكن أن تُعزى نتائج التقسيم المتفوقة إلى آلية تعزيز الحافة ذات التعلم الذاتي لوحدة SEEM واستراتيجية دمج الميزات متعددة المقاييس التي تستخدمها SFFM. لا تؤكد هذه النتائج فقط على قدرة النموذج القوية على التكيف عبر المجالات، ولكنها أيضًا تبرز إمكاناته للتطبيق السريري في سيناريوهات التصوير بالموجات فوق الصوتية المعقدة والتي لم تُرَ من قبل.
المناقشة
تم تصميم وحدة تعزيز الحافة ذات التعلم الذاتي (SEEM) لتعزيز دقة تحديد حدود الآفات في صور الموجات فوق الصوتية للثدي من خلال التركيز على الميزات المتعلقة بالحواف من خلال آلية التعلم الذاتي. تعمل SEEM بشكل أساسي على خرائط الميزات السطحية من الطبقات الثلاث الأولى للمشفر، حيث تكون معلومات الحواف الأكثر وضوحًا. تستخدم مشغل Sobel لحساب استجابات التدرج، والتي تتم معالجتها بعد ذلك باستخدام التلافيف القابلة للفصل متعددة المقاييس لتخفيف آثار الحواف الزائفة وتعزيز تمثيل ميزات الحواف. بالإضافة إلى ذلك، يتم دمج كتلة ضغط وتحفيز (SE) لتطبيق انتباه على مستوى القناة، مما يسمح للنموذج بالتأكيد على القنوات المهمة المتعلقة بالحواف بشكل تكيفي. تضمن هذه الاستراتيجية التدريجية للتحسين انتشارًا فعالًا وتعزيزًا لمعلومات الحواف عبر مقاييس مختلفة، مما يحسن بشكل كبير دقة تقسيم الحدود.
لتحسين تمثيل الميزات بشكل أكبر، تم تقديم وحدة التوجيه العالمية المجمعة (AGGM) لتجميع الميزات متعددة المقاييس مع معالجة التباينات في الدقة من خلال الدمج التدريجي. يتم تكملتها بواسطة وحدة دمج الميزات المكانية (SFFM)، التي تعدل ديناميكيًا أهمية الميزات بناءً على المعلومات السياقية العالمية، مما يحسن الحساسية للتفاصيل الدقيقة. تجمع دالة الخسارة الهجينة المقترحة بين عدة مكونات، بما في ذلك خسارة الانتروبيا الثنائية المركزة وخسارة Tversky، لتحسين دقة المنطقة، واتساق الحواف، ومحاذاة الحدود، مما يؤدي إلى تحسين أداء التقسيم. تظهر النتائج التجريبية أن SEFF-Net المقترحة تحقق أداءً تنافسيًا عبر مجموعات بيانات متعددة، مما يشير إلى قدرات تعميم قوية، على الرغم من أن العمل المستقبلي سيركز على تعزيز الكفاءة الحسابية للتطبيقات السريرية.
DOI: https://doi.org/10.62762/tetai.2026.494190
Publication Date: 2026-03-06
Author(s): Tingli Su et al.
Primary Topic: Medical Image Segmentation Techniques
Overview
The research paper presents SEFF-Net, a novel edge-aware feature fusion network designed to enhance breast ultrasound image segmentation, which is critical for early breast cancer detection. The architecture employs a U-shaped encoder-decoder framework that captures multi-level semantic representations while addressing challenges such as severe speckle noise, low contrast, and blurred tumor boundaries. Key innovations include the Self-learning Edge Enhancement Module, which improves boundary perception in the shallow encoding stages, and the Spatial Feature Fusion Module, which integrates multi-scale features to balance low-level spatial details with high-level semantic information. Additionally, a joint loss function combining region-based consistency constraints and boundary-sensitive supervision is introduced to mitigate class imbalance and enhance boundary learning.
The findings indicate that SEFF-Net effectively utilizes both deep semantic and edge features, achieving superior segmentation performance on breast cancer ultrasound datasets. The model incorporates an Adaptive Global Gradient Module (AGGM) for aggregating multi-scale deep features and a Spatial Feature Fusion Module (SFFM) for integrating shallow edge features with deep semantic representations. Ablation studies validate the contributions of each module, and the model demonstrates strong generalization across three additional datasets. Despite its high accuracy in segmenting blurred lesion boundaries, the authors acknowledge the need for further optimization to enhance computational efficiency for clinical applications. Future research will focus on reducing model complexity and parameter count to improve inference speed, thereby facilitating real-time preliminary diagnosis by clinicians.
Introduction
Breast cancer remains a significant health threat, with rising incidence rates underscoring the importance of early diagnosis for improving patient outcomes. Breast ultrasound, a noninvasive and cost-effective imaging modality, is widely utilized for screening and diagnosis. However, challenges such as speckle noise, intensity inhomogeneity, and indistinct boundaries complicate accurate lesion segmentation, even for experienced radiologists. Recent advancements in deep learning, particularly through convolutional neural networks (CNNs) and hybrid CNN-Transformer models, have shown promise in medical image segmentation. Despite these advancements, existing methods struggle with the unique complexities of ultrasound images, including low contrast and blurred boundaries, necessitating the integration of attention mechanisms and multi-scale feature fusion to enhance segmentation accuracy.
This paper introduces the Self-learning Edge-enhanced and Feature Fusion Network (SEFF-Net) aimed at improving segmentation precision for blurred lesion regions in breast ultrasound images. SEFF-Net employs a U-shaped encoder-decoder architecture that captures and fuses multi-scale edge and semantic features. Key contributions include an edge enhancement module for adaptive boundary improvement, deep aggregation and feature fusion modules for effective global context modeling, and a hybrid loss function designed to enhance boundary-aware segmentation performance. The proposed framework addresses critical challenges in breast ultrasound image segmentation, including the need for better interaction between boundary information and semantic features, and the integration of multi-scale features to improve the discrimination of weak boundary regions.
Methods
The methodology of the study employs a U-Net architecture tailored for medical ultrasound image segmentation, incorporating an encoder, skip connections, and a decoder. The encoder consists of four blocks that generate hierarchical feature representations. The first three layers focus on shallow representations rich in edge information, enhanced by the Self-learning Edge Enhancement Module (SEEM). In contrast, deeper layers emphasize high-level semantic features, which are aggregated using the Aggregation Module (AGGM). This dual-feature extraction approach results in complementary feature groups that are fused through the Selective Feature Fusion Module (SFFM) before being processed by the decoder for upsampling and final predictions.
Experimental results indicate that the proposed SEFF-Net demonstrates robust segmentation performance across various lesion sizes on the BUSI dataset. For large lesions, the model effectively captures morphology and aligns closely with ground truth, exhibiting minimal under-segmentation and boundary discontinuities. In challenging scenarios involving small lesions, SEFF-Net maintains boundary continuity and successfully localizes lesions despite noise interference, with only minor deviations noted. Quantitatively, SEFF-Net outperforms existing methods, achieving the highest mean Intersection over Union (mIoU) of 86.88%, overall accuracy (OA) of 96.83%, and the lowest Average Symmetric Surface Distance (ASSD) of 11.15, underscoring its capability to learn complex lesion morphologies and boundary characteristics effectively.
Results
The results of the study demonstrate the effectiveness of SEFF-Net in breast ultrasound image segmentation through a cross-dataset evaluation. The model was trained exclusively on the BUSI dataset and tested on UDIAT, OMI, and BUET without any retraining or fine-tuning. Despite significant variations in imaging devices, annotation standards, and noise levels across these datasets, SEFF-Net exhibited robust performance.
The superior segmentation results can be attributed to the self-learning edge enhancement mechanism of the SEEM module and the multi-scale feature fusion strategy employed by the SFFM. These findings not only affirm the model’s strong cross-domain adaptability but also underscore its potential for clinical application in complex and previously unseen ultrasound imaging scenarios.
Discussion
The Self-learning Edge Enhancement Module (SEEM) is designed to enhance the precision of lesion boundary delineation in breast ultrasound images by focusing on edge-related features through a self-learning mechanism. SEEM operates primarily on shallow feature maps from the first three encoder layers, where edge information is most prominent. It employs the Sobel operator to compute gradient responses, which are then processed using multi-scale depthwise separable convolutions to mitigate the effects of spurious edges and enhance edge feature representation. Additionally, a Squeeze-and-Excitation (SE) block is integrated to apply channel-wise attention, allowing the model to adaptively emphasize important edge-related channels. This progressive enhancement strategy ensures effective propagation and reinforcement of edge information across different scales, significantly improving boundary segmentation accuracy.
To further enhance feature representation, the Aggregated Global Guidance Module (AGGM) is introduced to aggregate multi-scale features while addressing resolution discrepancies through progressive fusion. This is complemented by the Spatial Feature Fusion Module (SFFM), which dynamically adjusts the importance of features based on global contextual information, thereby improving sensitivity to fine details. The proposed hybrid loss function combines several components, including Focal Binary Cross-Entropy and Tversky loss, to optimize region accuracy, edge consistency, and boundary alignment, resulting in improved segmentation performance. Experimental results demonstrate that the proposed SEFF-Net achieves competitive performance across multiple datasets, indicating strong generalization capabilities, although future work will focus on enhancing computational efficiency for clinical applications.