通道联合解耦表征网络

多中心验证鲁棒

提出通道联合解耦表征学习方法，将B型超声与超分辨率超声的共有与特有特征分离，提升乳腺癌多模态计算机辅助诊断的准确性与泛化能力。

Jia, Xiaohong · Hou, Xueqin · 郑伟 · 王钧 · Xia, Shujun · Dong, Yijie · 施俊 · 周建桥

Medical Image Analysis 2026

技术优势

多中心依然稳

在多个中心收集的数据上验证，并额外在外部数据上测试，性能没有明显掉点。

两种超声合起来用

用一个双分支网络同时处理B型超声和超分辨率超声，把两边的信息对齐并互补，避免了单独使用任一模态的局限。

代码直接能用

官方代码已经在GitHub上公开，复现或部署不需要从零开始写。

应用场景

• 乳腺癌超声辅助诊断：直接给出乳腺癌诊断建议，减少超声医生主观差异。
• 多模态医学影像分析：将B型与超分辨率超声特征互补，增强多模态特征表达。
• 医学影像智能分析：提供可部署的深度学习模型，助力超声智能诊断。
• 超声图像处理：利用双分支网络处理超声图像，自动提取关键特征。