AQS-APPDRC：改进的乳腺超声图像分割技术

"本文介绍了在乳腺超声图像分割领域的一种创新方法——调整快速移位相位保持动态范围压缩（AQS-APPDRC），该方法旨在提高乳腺病变的识别准确性和图像质量，从而辅助乳腺癌的早期检测。研究对比了AQS-APPDRC与传统分割方法及深度学习的卷积神经网络（CNN）模型如U-Net和FCN的表现。在两个小型乳腺超声数据集上的实验结果显示，AQS-APPDRC在某些评价指标上优于其他方法，尤其是在小数据集上，显示了传统方法与深度学习模型的竞争力。" 乳腺超声图像分析是乳腺癌早期诊断的重要手段，但由于图像中的散斑噪声和换能器孔径回波干扰，图像质量受到影响，使得病变分割成为一项挑战。传统的图像处理方法往往难以有效消除这些影响。本文提出的新方法AQS-APPDRC包含预处理、超像素提取和后处理三部分，通过APPDRC滤波器和弗罗斯特滤波器改善图像质量，再结合调整快速移位的超像素分割策略，以及二进制消隐保持斑点选择，提升了乳腺病变的分割效果。 在实际应用中，研究人员对比了AQS-APPDRC与其他传统分割方法（QS-FR，QS-PPDRC）以及两种先进的CNN模型（U-Net和FCN系列）的性能。在数据集A上，AQS-APPDRC在Dice相似系数、特异性和Matthews关联系数（MCC）上表现最优。而在数据集B中，尽管FCN-16在某些指标上领先，但AQS-APPDRC依然取得了相当的结果。对于数据集B的敏感性，FCN-32表现最佳，显示出数据集大小可能对深度学习模型性能有显著影响。 这一研究表明，尽管深度学习模型在许多场景下表现出色，但在小数据集的情况下，传统算法仍然可以提供竞争力的分割结果。因此，对于资源有限或数据集较小的环境，AQS-APPDRC这样的方法可能是更优的选择。未来的研究方向可能包括优化AQS-APPDRC方法，扩大数据集以提升深度学习模型的性能，以及结合传统算法与深度学习的优势，进一步提高乳腺病变的自动检测和分割精度，从而助力乳腺癌的早期发现和治疗。