近日，医学信息与工程学院学罗亚梅团队在人工智能与医学影像交叉研究领域取得新进展，研究成果《DABF-Net: Dynamic Adaptive Basis Fusion Network for Breast Ultrasound Image Segmentation》（DABF-Net：面向乳腺超声图像分割的动态自适应基融合网络）在国际权威学术期刊《Expert Systems with Applications》正式发表（2026年第331卷，论文编号133418）。该刊由爱思唯尔（Elsevier）出版，是人工智能与智能系统应用领域的国际知名期刊、中国科学院一区（Top）期刊，最新影响因子9.4。西南医科大学为论文第一署名单位和通讯作者单位，罗亚梅研究员为论文通讯作者。

乳腺癌是全球女性发病率最高的恶性肿瘤，每年新发病例约230万。早发现、早诊断是改善患者预后的关键——若能在局限期检出，患者五年生存率可超过90%。超声检查凭借实时、无辐射、经济便捷等优势，已成为乳腺筛查与诊断的重要手段，尤其适用于致密型乳腺人群。然而，超声图像普遍存在对比度低、斑点噪声强、组织表现异质等特点，加之病灶边界模糊、形态与大小差异悬殊，病灶区域的精准自动分割一直是计算机辅助诊断领域公认的难题。

针对上述挑战，团队提出了动态自适应基融合网络DABF-Net。与传统卷积神经网络一套卷积核用到底的做法不同，该网络的核心模块——动态自适应基块（DAB-Block）能够依据图像局部内容，从低秩分解的核基底中动态生成卷积核，使网络的感受野随病灶形态自适应调整，真正做到因图施策。同时，团队设计了可学习门控注意力引导模块（LGAG），通过通道与空间双重门控筛选编码器与解码器之间传递的特征，在融合多尺度互补信息的同时有效抑制斑点噪声的干扰；并进一步提出组合式多尺度监督训练策略，在不增加任何推理开销的前提下增强了网络各尺度输出之间的一致性。

在国际公开基准数据集BUSI和BrEaST上的五折交叉验证结果显示，DABF-Net的Dice相似系数分别达到82.36%和83.78%，在分割精度、区域重叠度和边界误差等关键指标上均优于U-Net、Swin-UNet、GGNet等13种主流方法。尤为重要的是，团队联合西南医科大学附属医院超声医学科构建了包含6572幅图像的大规模乳腺超声数据集SoMed-BUS，并在完全不做微调的条件下开展跨数据集外部验证，DABF-Net依然取得了最优的分割精度与敏感度，展现出良好的临床泛化潜力。

为进一步验证各模块的有效性，团队开展了系统的消融实验（见图3）：逐一移除LGAG门控、PixelShuffle上采样、组合式监督以及动态基块中的关键设计后，模型的Dice系数和Jaccard指数均出现统计学意义上的显著下降，表明各组件对最终性能均有实质性贡献。在精度与效率的权衡上（见图4），轻量版DABF-Net-S仅用19.8 GFLOPs、43.6M参数，就取得了所有中小型模型中最高的分割精度，兼顾了准确性与运行效率，更契合临床部署需求。此外，动态卷积核的可视化结果（见图5）显示，DAB-Block能够生成随病灶内容自适应变化的卷积核，其预测轮廓和概率热图较其他动态卷积方法更贴合真实病灶边界、噪声响应更少，直观印证了方法的可解释性与鲁棒性。

该研究为乳腺超声计算机辅助诊断提供了新的技术方案，有望帮助超声医师更快速、更准确地勾画病灶边界，为乳腺癌的早期检出和精准诊疗提供有力支撑。研究工作由西南医科大学联合南京大学、西南医科大学附属医院、重庆邮电大学等单位共同完成，并得到四川省自然科学基金项目的资助。