融合EfficientNet与U-Net的超声图像乳腺肿瘤分割方法研究

目的 ：为实现对超声图像乳腺肿瘤准确、高效地分割，提出一种融合EfficientNet和U-Net的分割方法。方法：首先将U-Net的编码器替换成EfficientNet B4中的特征提取网络，然后引入Dice损失函数和边界损失函数，再以一定权重与交叉熵损失函数组合后得到复合损失函数，最后将EfficientNet B4在数据集ImageNet上的训练权重作为预训练权重，在公开数据集Dataset B上将该方法与U-Net、Res-UNet、VGG-UNet、Dense-UNet方法对超声图像乳腺肿瘤的分割效果进行比较。结果：该方法相较其他方法分割结果更优且参数量更小，Dice相似性系数为87.46%，相较原始的U-Net(Dice相似性系数为69.75%)提升了约18%。结论：提出的方法对超声图像乳腺肿瘤具有较好的分割效果，可为乳腺超声计算机辅助诊断系统的发展奠定基础。