FusionSegNet: A Hierarchical Multi-Axis Attention and gated feature fusion network for breast lesion segmentation with uncertainty modeling in ultrasound imaging
Notice bibliographique
Résumé
Lesion segmentation in breast ultrasound images (BUS) is challenging due to noise, low contrast appearance, ambiguous boundaries, texture inconsistencies, and inherent uncertainty in lesion appearance. These challenges are further exacerbated by the semantic gap between encoder and decoder features in U-Net-based models. In this paper, we introduce FusionSegNet, a novel lesion segmentation network that integrates several key innovations to address these challenges. First, we propose a Fuzzy Logic-Based Multi-Scale Contextual Network as the encoder to handle noisy and uncertain areas through multi-scale attention and fuzzy membership-based uncertainty estimation. Second, we design a Weighted Multiplicative Fusion Module to effectively merge multi-scale features while suppressing noise. Third, we integrate Hierarchical Multi-Axis Attention in both the encoder and decoder to enhance focus across multiple dimensions, enabling FusionSegNet to better segment targets with varypositions, scalesscalessizesd sizes. Fourth, we introduce a Gated Multi-Scale Feature Aggregation Module that bridges both local and global information for better semantic understanding, and the newly integrated Atrous Attention Fusion Module further refines multi-scale long-range contextual details using different dilation rates. Finally, we design a Gated Multi-Scale Fusion Block which facilitates feature fusion between the encoder and decoder to maintain spatial consistency. Extensive experiments and a comprehensive ablation study on two benchmark BUS datasets validate the superiority of FusionSegNet and its integrated design choices over state-of-the-art methods. FusionSegNet achieves an mDSC of 93.22% on the UDIAT dataset and an mIoU of 80.10% on the BUSI dataset, establishing a new benchmark for lesion segmentation in BUS images. Our code can be found at https://github.com/rayhan-ahmed91/FusionSegNet .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».