A Spatial-Temporal Progressive Fusion Network for Breast Lesion Segmentation in Ultrasound Videos

超声视频乳腺病变分割为早期乳腺病变检测和治疗提供了有价值的帮助。然而，现有的工作主要集中在基于超声乳腺图像的病变分割上，这通常不能很好地适应超声视频以获得理想的结果。超声视频乳腺病变分割的主要挑战在于如何同时利用帧内和帧间的病变线索。为了解决这个问题，我们提出了一种新的空时渐进融合网络（STPFNet）来解决基于视频的乳腺病变分割问题。所提出的STPFNet的主要方面有三个。首先，我们提出采用统一的网络架构来捕捉每个超声帧内的空间依赖性和不同帧之间的时间相关性，以进行超声数据表示。其次，我们提出了一种新的融合模块，称为多尺度特征融合（MSFF），将空间和时间线索融合在一起进行病变检测。MSFF可以帮助确定病变区域的边界轮廓，以克服病变边界模糊的问题。第三，我们提出利用前一帧的分割结果作为先验知识来抑制噪声背景并学习更加鲁棒的表示。特别地，我们介绍了一个新的公开的超声视频乳腺病变分割数据集，称为UVBLS200，专门用于乳腺病变分割。它包含200个视频，其中包括80个良性病变视频和120个恶性病变视频。在所提出的数据集上的实验表明，所提出的STPFNet比现有最先进的方法具有更好的乳腺病变检测性能。

解决问题：该论文旨在解决超声视频乳腺病变分割的问题，通过同时利用帧内和帧间的病变线索来提高分割准确性。

关键思路：论文提出了一种新的空时渐进融合网络（STPFNet）用于视频乳腺病变分割。该网络采用统一的架构来捕捉每个超声帧内的空间依赖性和不同帧之间的时间相关性，同时利用多尺度特征融合模块（MSFF）将空间和时间线索融合在一起，以检测病变区域的边界轮廓，并利用前一帧的分割结果作为先验知识来抑制噪声背景和学习更加鲁棒的表示。

其他亮点：论文提出了一个新的公开数据集UVBLS200，专门用于乳腺病变分割，包括80个良性病变和120个恶性病变视频。实验结果表明，STPFNet相比当前最先进的方法具有更好的病变检测性能。

相关研究：最近的相关研究包括：1. A Deep Learning Framework for Robust and Accurate Nucleus Detection and Segmentation in Breast Cancer Histopathology Images; 2. A Novel Deep Learning Based Framework for the Detection and Classification of Breast Cancer Using Transfer Learning; 3. Breast Tumor Segmentation in Ultrasound Images Using Deep Convolutional Neural Networks and Texture Analysis.