辛元

（四川大学计算机学院，成都610065）

0 引言

超声图像是乳腺异常检测和分类工作中最常用的诊断工具之一。近年来，计算机辅助系统越来越多的应用于超声图像中，帮助放射科医生在检测和诊断过程中提高效率和精度。一般的，应用于超声图像的乳腺癌CAD 系统包括四个阶段：图像预处理、图像分割、特征提取和选择、分类。在这四个阶段中，图像分割将病变区域从背景中区分出来，是下一阶段处理的关键，并且决定着最终的分析质量。包括非常高的斑点噪声、低信噪比和灰度不均匀等问题存在的各种干扰因素，使准确的超声图像分割仍然是乳腺癌CAD 系统面临的难题之一[1]。

众多学者在图像分割方向提出了自己的方法或框架，包括依赖于先验知识的传统算法，如Xian 在2015年提出一种基于乳腺时域频域特征的乳腺超声分割算法[2]，以及依赖于大量数据训练的机器学习方法，如卷积神经网络（CNN）等。然而医学图像的标记是很困难且带有主观色彩的，尤其是由于个体差异性需要综合很多专家的意见[3]，要得到统一且有效的先验知识和大量训练数据是很困难的，由此现有的大部分方法在医学图像复杂的情况下适应性不足。本文借鉴视觉注意力机制，将显著性检测算法和思想引入乳腺超声图像肿瘤分割任务中，避免了先验知识和数据量的限制条件。

显著性检测是机器视觉中的研究方向，由人的视觉特征分割出显著性区域，目的是检测图中人作为主体最为感兴趣的区域。……