研究室论文《Explainable two-stage segmentation-assisted recognition of breast tumors using ultrasound images》被《IEEE Sensors Journal》录用。
论文主要内容如下：
迄今为止，大多数传统乳腺肿瘤分析方法仅聚焦于单一任务（如肿瘤分割或识别），其可解释性较低。本研究基于双阶段框架，利用超声（US）图像，提出了一种兼具乳腺肿瘤分割与识别功能的可解释性双任务实现方法。首先，采用带有 DropBlock 模块的正则化 U-Net 模型进行肿瘤分割，并将分割得到的肿瘤掩膜叠加至乳腺原始超声图像上；其次，将叠加后的图像输入名为“残差注意力网络”（RAN）的识别模型，以区分肿瘤属于健康组织、良性或恶性类别；最后，运用梯度加权类激活图（Grad-CAM）可视化 RAN 模型的注意力分布区域，从而有助于理解识别决策的依据。实验结果表明，本文提出的双任务实现方法不仅能实现精准的肿瘤分割，且在典型肿瘤识别方法中取得了最优识别性能。
图 基于分割结果的两阶段乳腺肿瘤识别框架