# 超声数据集论文与方法结果汇总 > 本文档汇总了你 `data` 目录下所有数据集的相关论文、基准结果和最新方法（2022-2026）。 > 包含全监督和半监督两个范式下的主要结果。 > 生成日期：2026-04-30 --- ## 一、BUS-UCLM（乳腺超声） ### 数据集论文 | 项目 | 详情 | | -------- | -------------------------------------------------------------------------------------------------------- | | **标题** | BUS-UCLM: Breast Ultrasound Lesion Segmentation Dataset | | **发表** | Scientific Data (Nature), 2025年2月 | | **DOI** | 10.1038/s41597-025-04562-3 | | **机构** | Ciudad Real General University Hospital (西班牙) | | **链接** | [https://www.nature.com/articles/s41597-025-04562-3](https://www.nature.com/articles/s41597-025-04562-3) | ### 数据集基本信息 | 指标 | 数值 | | -------- | ----------------------------------- | | 患者数 | 38 | | 图像总数 | 683 | | 分辨率 | 768×1024 (PNG) | | 良性病变 | 174 | | 恶性病变 | 90 | | 正常组织 | 419 | | 标注格式 | RGB掩膜 (黑=正常, 绿=良性, 红=恶性) | | 采集设备 | Siemens ACUSON S2000 | ### 基准结果 **1. U-Net（单数据集验证）** | 设定 | Dice | 说明 | | ---------------- | -------- | ------------------ | | 90/10 患者级划分 | **0.68** | 数据集中 Dice 表现 | **2. 跨数据集联合验证** | 模型 | Dice | IoU | Acc | Precision | Recall | | --------------- | ---------- | ------ | ------ | --------- | ------ | | Mask R-CNN | **77.09%** | 65.46% | 74.38% | 80.29% | 74.38% | | U-Net | 见下 | 见下 | 见下 | 见下 | 见下 | | Attention U-Net | 见下 | 见下 | 见下 | 见下 | 见下 | | SK-UNet | 见下 | 见下 | 见下 | 见下 | 见下 | | DeepLabv3 | 见下 | 见下 | 见下 | 见下 | 见下 | ### 最新方法（2025-2026） **1. SDC-Net（半监督）** | 项目 | 详情 | | ------------ | ------------------------------------------------------------------------------------------------------------------------------------------ | | **标题** | SDC-Net: Semi-supervised Breast Ultrasound Lesion Segmentation via Semantic Decoupling | | **发表** | Pattern Recognition, 2026年2月 (已接收) | | **核心创新** | 语义解耦策略，将病变区域与背景分离处理，解决半监督下边界模糊问题 | | **数据集** | BUSI, BUS-UCLM, BUS-BRA 三个公开乳腺超声数据集 | | **关键发现** | 在三个数据集上均取得优于已有半监督方法的性能 | | **链接** | [https://www.sciencedirect.com/science/article/pii/S0031320326001810](https://www.sciencedirect.com/science/article/pii/S0031320326001810) | --- ## 二、BUSI（乳腺超声） ### 数据集论文 | 项目 | 详情 | | -------- | --------------------------------------- | | **标题** | Breast Ultrasound Images Dataset (BUSI) | | **发表** | 2020年 (原始发布) | | **机构** | 埃及开罗大学 | | **链接** | 原始 GitHub 仓库 | ### 数据集基本信息 | 指标 | 数值 | | -------- | ------------------------------- | | 图像总数 | **779** | | 良性 | 246 | | 恶性 | 109 | | 正常 | 424 | | 类别 | 三类（benign/malignant/normal） | ### BUSIS 基准结果（2022年4月） | 项目 | 详情 | | ---------- | ---------------------------------------------------------------------------------- | | **标题** | BUSIS: A Benchmark for Breast Ultrasound Image Segmentation | | **发表** | Diagnostics, 2022年4月 | | **DOI** | 10.3390/diagnostics10040729 | | **链接** | [https://www.mdpi.com/2227-9032/10/4/729](https://www.mdpi.com/2227-9032/10/4/729) | | **数据集** | 562张BUS图像，来自5种不同超声设备 | **16种方法对比关键结果：** | 方法类别 | 代表方法 | 平均DSC | 平均JI (IoU) | FPR (最低) | | ----------- | ---------------------- | -------- | ------------ | ---------- | | 最佳DL方法 | **Fuzzy FCN [62]** | **最高** | **最高** | 中等 | | 最佳DL方法2 | Fuzzy FCN Pyramid [19] | 高 | 高 | **最低** | | U-Net | Ronneberger | ≥0.90 | ≥0.80 | — | | DenseU-Net | + 加权focal loss | ≥0.90 | ≥0.80 | — | **关键发现：** - 所有深度学习方法显著优于传统方法 - 多数DL方法达到 DSC ≥ 0.90, JI ≥ 0.80 - **跨设备泛化差距显著**：性能下降10%-87% - 半自动方法对ROI选择高度敏感 ### 最新方法（2024-2026） **1. Attention U-Net (2024)** | 项目 | 详情 | | ------------ | -------------------------------------------------------------------------------------------------------- | | **标题** | Attention based UNet model for breast cancer segmentation using BUSI dataset | | **发表** | Scientific Reports, 2024年9月 | | **DOI** | 10.1038/s41598-024-72712-5 | | **核心创新** | 注意力门控机制增强小肿瘤分割 | | **数据集** | BUSI (780张) | | **链接** | [https://www.nature.com/articles/s41598-024-72712-5](https://www.nature.com/articles/s41598-024-72712-5) | **2. BUSI-SAM (2025)** | 项目 | 详情 | | ------------ | ---------------------------------------------------------------------------------------------------------------------------- | | **标题** | Segment Anything for Breast Cancer Ultrasound Image | | **发表** | Signal, Image and Video Processing, 2025年12月 | | **数据集** | BUSI + BUSI-WHU | | **关键指标** | mIoU:**89.29%**, OA: **98.59%**, HD95: **11.12** | | **链接** | [https://link.springer.com/article/10.1007/s11760-025-05032-4](https://link.springer.com/article/10.1007/s11760-025-05032-4) | **3. Multi-Task Framework (2025)** | 项目 | 详情 | | ------------ | ------------------------------------------------------------------------------------------------------------------------------------------ | | **标题** | A multi-task framework for breast cancer segmentation and classification | | **发表** | Computers in Biology and Medicine, 2025年3月 | | **核心创新** | 联合分割+分类，分析BUSI数据集的不一致性 | | **链接** | [https://www.sciencedirect.com/science/article/pii/S0169260724005339](https://www.sciencedirect.com/science/article/pii/S0169260724005339) | **4. Pyramid Boundary Attention Network (2025)** | 项目 | 详情 | | ------------ | ------------------------------------------------------------------------------------------------------------------------------------------ | | **标题** | Pyramid boundary attention network for breast lesion segmentation | | **发表** | Measurement, 2025年3月 | | **核心创新** | 添加PSA（金字塔空间注意力）模块到Res-U-Net | | **数据集** | BUSI + 其他乳腺超声数据集 | | **链接** | [https://www.sciencedirect.com/science/article/pii/S1746809424012990](https://www.sciencedirect.com/science/article/pii/S1746809424012990) | **5. MSCD 半监督 (2026)** | 项目 | 详情 | | ------------ | ------------------------------------------------------------------------------------------------------------------------------------------ | | **标题** | Semi-supervised breast ultrasound image segmentation via multi-paradigm synergy and cross-cyclic distillation | | **发表** | Expert Systems with Applications, 2026年3月 | | **核心创新** | 多范式协同+跨周期蒸馏，有效利用未标注图像 | | **链接** | [https://www.sciencedirect.com/science/article/pii/S0957417425040771](https://www.sciencedirect.com/science/article/pii/S0957417425040771) | **6. CVPR 2026 乳腺超声半监督框架** | 项目 | 详情 | | ------------ | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | **标题** | A Semi-supervised Framework for Breast Ultrasound Segmentation with Training-free Pseudo Labels | | **发表** | CVPR 2026 | | **核心创新** | 利用GPT-5生成外观描述 + Grounding DINO + SAM 免训练生成伪标签(APPG) | | **架构** | 双教师框架（静态+动态）通过不确定性校准 | | **链接** | [https://github.com/zhaoyang97/Paper-Notes/blob/main/docs/CVPR2026/medical_imaging/a_semi-supervised_framework_for_breast_ultrasound_segmentation_with_training-fre.md](https://github.com/zhaoyang97/Paper-Notes/blob/main/docs/CVPR2026/medical_imaging/a_semi-supervised_framework_for_breast_ultrasound_segmentation_with_training-fre.md) | **7. RA-BUSSeg (ICCV 2025)** | 项目 | 详情 | | ------------ | ---------------------------------------------------------------------------------------------------------------------------------------------- | | **标题** | RA-BUSSeg: Relation-aware Semi-supervised Breast Ultrasound Image Segmentation via Adjacent Propagation and Cross-layer Alignment | | **发表** | ICCV 2025 | | **核心创新** | 像素关系感知 + 相邻传播 + 跨层对齐 | | **架构** | 双教师网络，充分挖掘像素级关系 | | **数据集** | BUSI | | **链接** | [https://openaccess.thecvf.com/content/ICCV2025/papers/Zhang_RA-BUSSeg](https://openaccess.thecvf.com/content/ICCV2025/papers/Zhang_RA-BUSSeg) | **8. MLSS-GAN (2026)** | 项目 | 详情 | | ------------ | -------------------------------------------------------------------------------------------------------- | | **标题** | Multi-level semi-supervised GAN enables accurate segmentation of breast ultrasound images | | **发表** | Scientific Reports, 2026年4月 | | **核心创新** | 多层分类器驱动的GAN，提升半监督性能 | | **链接** | [https://www.nature.com/articles/s41598-026-46741-1](https://www.nature.com/articles/s41598-026-46741-1) | **9. 外部验证多任务一致性 (2025)** | 项目 | 详情 | | | | | ------------ | ------------------------------------------------------------------------------------------------------------------------------------------------------ | ---------------- | ---------------- | ---------------- | | **标题** | Externally Validated Multi-Task Learning via Consistency Regularization Using Differentiable BI-RADS Features for Breast Ultrasound Tumor Segmentation | | | | | **发表** | arXiv, 2025年11月 | | | | | **核心创新** | 可微BI-RADS形态特征一致性正则化 | | | | | **训练** | BrEaST dataset (波兰) | | | | | **外部验证** | UDIAT (西班牙), BUSI (埃及),**BUS-UCLM (西班牙)** | | | | | **关键结果** | | | | | | | | **UDIAT** | **BUSI** | **BUS-UCLM** | | | 多任务 + 一致性 vs 基线 | **0.81 vs 0.59** | **0.66 vs 0.56** | **0.69 vs 0.49** | | | Dice 显著提升 (p<0.001) | | | | | **链接** | [https://arxiv.org/abs/2511.15968](https://arxiv.org/abs/2511.15968) | | | | **10. Cross-domain Few-label Generalization (2026)** | 项目 | 详情 | | ------------ | ---------------------------------------------------------------------------------------------- | | **标题** | Rethinking Multi-center Semi-supervised Breast Cancer Ultrasound Segmentation | | **发表** | IEEE, 2026年2月 | | **核心创新** | 跨域少标签泛化框架(CFG)，用于多中心乳腺超声分割 | | **链接** | [https://ieeexplore.ieee.org/document/11411937](https://ieeexplore.ieee.org/document/11411937) | --- ## 三、BUS-BRA（乳腺超声 + BI-RADS分级） ### 数据集论文 | 项目 | 详情 | | -------- | -------------------------------------------------------------------------------------- | | **标题** | BUS-BRA: A breast ultrasound dataset for assessing computer-aided diagnosis | | **发表** | Medical Physics, 2023年11月 | | **DOI** | 10.1002/mp.16812 | | **机构** | 巴西国家癌症研究所 + 葡萄牙 | | **链接** | [https://pubmed.ncbi.nlm.nih.gov/37937827/](https://pubmed.ncbi.nlm.nih.gov/37937827/) | ### 数据集基本信息 | 指标 | 数值 | | -------- | ------------------------------------------------------------------------ | | 患者数 | **1,064** | | 图像总数 | **1,875** | | 设备数 | 4种超声扫描仪 | | 标注 | 边界标注 + BI-RADS分级 + 病理分类 | | 特色 | 含标准化划分方案用于客观评估 | | 链接 | [https://github.com/wgomezf/BUS-BRA](https://github.com/wgomezf/BUS-BRA) | ### 关键特性 - 包含 **BI-RADS分级** 标注（2/3/4/5类） - 同时支持 **分割 + 分类 + BI-RADS分级** 多任务 - 标准化划分方案可用于公平比较 - 适合跨数据集泛化研究 ### 最新方法（2025-2026） **1. SDC-Net（半监督，2026）** | 项目 | 详情 | | -------- | ------------------------------------------------------------------------------------------------------------------------------------------ | | **结果** | 在BUS-BRA上优于已有半监督方法 | | **详情** | 语义解耦策略对BI-RADS 4类病变边界处理更优 | | **链接** | [https://www.sciencedirect.com/science/article/pii/S0031320326001810](https://www.sciencedirect.com/science/article/pii/S0031320326001810) | **2. RA-BUSSeg（ICCV 2025）** | 项目 | 详情 | | -------- | ---------------------------------------------------------------------------------------------------------------------------------------------- | | **结果** | 在BUS-BRA上验证了相邻传播和跨层对齐的有效性 | | **链接** | [https://openaccess.thecvf.com/content/ICCV2025/papers/Zhang_RA-BUSSeg](https://openaccess.thecvf.com/content/ICCV2025/papers/Zhang_RA-BUSSeg) | --- ## 四、BUS_UC（乳腺超声） ### 数据集概述 | 项目 | 详情 | | -------- | ---------------------------------------------------------------------------------------------------- | | **来源** | UCLM (西班牙) 乳腺超声数据集 | | **结构** | Benign / Malignant / All 层级目录 | | **链接** | [https://github.com/noeliavallez/BUS-UCLM-Dataset](https://github.com/noeliavallez/BUS-UCLM-Dataset) | | **说明** | 与BUS-UCLM为同一数据集，不同命名 | ### 最新方法 **1. BUSIS 基准 (2022)** - 在乳腺超声方向建立了统一的基准评估框架 - 26种方法在BUSI/BUS-UCLM上的对比 **2. BUS-Set 基准 (2023)** | 项目 | 详情 | | ---------- | -------------------------------------------------------------------------------------------------------------------------------- | | **标题** | BUS-Set: A benchmark for quantitative evaluation of breast ultrasound segmentation | | **发表** | Medical Physics, 2023年2月 | | **DOI** | 10.1002/mp.16287 | | **数据集** | 整合4个公开乳腺超声数据集 | | **链接** | [https://aapm.onlinelibrary.wiley.com/doi/full/10.1002/mp.16287](https://aapm.onlinelibrary.wiley.com/doi/full/10.1002/mp.16287) | --- ## 五、TG3K（甲状腺超声） ### 数据集论文 | 项目 | 详情 | | ---------- | ------------------------------------------------- | | **标题** | Thyroid Nodule Region Segmentation Dataset (TG3K) | | **来源** | 公开甲状腺超声数据集 | | **图像数** | **3,583** (约) | | **结构** | `thyroid-image` + `thyroid-mask` | | **特色** | 从16个超声视频中提取，包含多种复杂病例 | ### 基准方法 **1. Hybrid Transformer UNet (2023)** | 项目 | 详情 | | ------------ | ------------------------------------------------------------------------------------------------------------------------------------------ | | **标题** | Hybrid transformer UNet for thyroid segmentation from ultrasound images | | **发表** | Computers in Biology and Medicine, 2023年2月 | | **DOI** | 10.1016/j.compbiomed.2022.106175 | | **数据集** | TG3K + TSUD | | **关键结果** | 融合Transformer + CNN的混合架构在TG3K上表现优异 | | **链接** | [https://www.sciencedirect.com/science/article/pii/S0010482522011611](https://www.sciencedirect.com/science/article/pii/S0010482522011611) | **2. TRFE-Net（甲状腺区域先验引导）** | 项目 | 详情 | | ------------ | ----------------------------------------------------------------------------- | | **标题** | Multi-Task Learning for Thyroid Nodule Segmentation with Thyroid Region Prior | | **核心创新** | 引入甲状腺区域先验引导结节分割 | | **数据集** | TN3K | | **架构** | 甲状腺区域定位 + 结节分割 + 结节大小预测 | ### 最新方法（2025-2026） **1. HFA-UNet (2025)** | 项目 | 详情 | | ------------ | ------------------------------------------------------------------------------------------------------------------------------------------ | | **标题** | HFA-UNet: Hybrid and Full Attention UNet for thyroid nodule segmentation | | **发表** | Knowledge-Based Systems, 2025年10月 | | **DOI** | 10.1016/j.knosys.2025.112869 | | **核心创新** | 混合注意力 + 全注意力UNet | | **数据集** | TG3K / TN3K | | **链接** | [https://www.sciencedirect.com/science/article/pii/S0950705125012869](https://www.sciencedirect.com/science/article/pii/S0950705125012869) | **2. Integrated MTL Framework (2026)** | 项目 | 详情 | | | ------------ | ---------------------------------------------------------------------------------------------------------------------------- | ------------ | | **标题** | An integrated multi-task deep learning framework for thyroid ultrasound segmentation and classification | | | **发表** | Signal, Image and Video Processing, 2026年1月 | | | **核心组件** | 层级共享网络(HSN) + 任务交互模块(TIM) + 动态解码模块(DDM) | | | **数据集** | **TN3K** + **TG3K** | | | **关键结果** | | | | | **分类准确率** | **分割Dice** | | | 93.4% | **87.8%** | | **对比** | 优于UNet++, TransUNet, Swin-Unet, MedNext, U-Mamba, SegNeXt | | | **链接** | [https://link.springer.com/article/10.1007/s11760-026-05131-w](https://link.springer.com/article/10.1007/s11760-026-05131-w) | | **3. MAE预训练 Transformer (2025)** | 项目 | 详情 | | ------------ | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | | **标题** | Thyroid nodule segmentation in ultrasound images using transformer models with masked autoencoder pre-training | | **发表** | Frontiers in Artificial Intelligence, 2025年7月 | | **核心创新** | MAE预训练加速收敛，增强特征提取 | | **数据集** | **TN3K**, **DDTI**, AIMI | | **关键发现** | MAE预训练加速收敛，但对整体Dice提升有限（改善温和） | | **链接** | [https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2025.1618426/full](https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2025.1618426/full) | **4. Deep Learning Framework for Malignancy (2025)** | 项目 | 详情 | | ------------ | ------------------------------------------------------------------------------------------------- | | **标题** | A Deep Learning Framework for Thyroid Nodule Segmentation and Interpretable Malignancy Prediction | | **发表** | arXiv, 2025年11月 | | **核心创新** | 两阶段框架：结节定位 → 恶性预测，具有可解释性 | | **链接** | [https://arxiv.org/html/2511.11937v1](https://arxiv.org/html/2511.11937v1) | --- ## 六、TN3K（甲状腺结节分割） ### 数据集论文 | 项目 | 详情 | | | ---------- | ------------------------------------------------------------------------------------------------------------------------------------------------ | --------------- | | **标题** | TN3K: Thyroid Nodule Region Segmentation Dataset | | | **作者** | Haifan Gong 等 | | | **图像数** | **3,493** | | | 患者数 | **2,421** | | | 时间跨度 | 2016.01 – 2020.08 | | | 来源 | 合作医院超30,000张图像中筛选 | | | 划分 | **训练集: 2,879** | **测试集: 614** | | 筛选标准 | 至少含1个结节 / 排除淋巴图像 / 同一患者只保留1张代表性图像 | | | 结构 | `trainval-image` + `trainval-mask` + `test-image` + `test-mask` | | | 链接 | [https://github.com/haifangong/TRFE-Net-for-thyroid-nodule-segmentation](https://github.com/haifangong/TRFE-Net-for-thyroid-nodule-segmentation) | | ### 基准结果 **1. TRFE-Net (原论文结果)** | 任务 | 方法 | Dice | IoU | | ------------ | -------- | ------ | --- | | 甲状腺定位 | TRFE-Net | 高精度 | — | | 结节分割 | TRFE-Net | 高精度 | — | | 结节大小预测 | TRFE-Net | — | — | **2. Multi-Task MTL Framework (2026)** | 任务 | 指标 | 数值 | | -------- | --------------------------------- | --------- | | 结节分割 | **Dice** | **87.8%** | | 结节分类 | **准确率** | **93.4%** | | 对比 | 优于 UNet++, TransUNet, Swin-Unet | | **3. MAE Transformer (2025)** | 数据集 | 方法 | Dice (相对提升) | | ------ | --------------------- | ---------------------- | | TN3K | MAE预训练 Transformer | 收敛加速，Dice提升温和 | | DDTI | MAE预训练 Transformer | 收敛加速，Dice提升温和 | ### 最新方法（2024-2026） **1. TN5000（2025年8月新增甲状腺数据集）** | 项目 | 详情 | | -------- | -------------------------------------------------------------------------------------------------------- | | **标题** | TN5000: An Ultrasound Image Dataset for Thyroid Nodule Detection and Classification | | **发表** | Scientific Data (Nature), 2025年8月 | | **DOI** | 10.1038/s41597-025-05757-4 | | 图像数 | **5,000** B-mode超声图像 | | 用途 | 结节检测 + 分类 | | 链接 | [https://www.nature.com/articles/s41597-025-05757-4](https://www.nature.com/articles/s41597-025-05757-4) | **2. Automated Thyroid Nodule Segmentation (2025)** | 项目 | 详情 | | ------------ | ---------------------------------------------------------------------------------------------- | | **标题** | Automated Thyroid Nodule Segmentation in Ultrasound Images | | **发表** | IEEE, 2025年12月 | | **核心创新** | 低对比度和斑纹伪影下的鲁棒分割 | | **链接** | [https://ieeexplore.ieee.org/document/11365920](https://ieeexplore.ieee.org/document/11365920) | **3. SPIE (2024)** | 项目 | 详情 | | ------------ | ------------------------------------------------------------------------------------------------------------------------------------------------------------------ | | **标题** | Thyroid nodule ultrasound image segmentation method integrating multiscale features | | **发表** | SPIE 13208, 2024年7月 | | **核心创新** | Fusion Feature Block (FF-Block) 融合多尺度全局/局部特征 | | **链接** | [https://www.spiedigitallibrary.org/conference-proceedings-of-spie/13208/1320817](https://www.spiedigitallibrary.org/conference-proceedings-of-spie/13208/1320817) | --- ## 七、DDTI（甲状腺超声） ### 数据集概述 | 项目 | 详情 | | -------- | ---------------------------------------- | | **标题** | Thyroid Ultrasound Images Dataset (DDTI) | | **提供** | Pedraza 等 | | 图像数 | **637** (带像素级标注) | | 设备 | 单一设备 | | 多样性 | 甲状腺炎、甲状腺肿、结节等 | | 目录 | 根目录平铺文件，需解析命名 | ### 最新方法（2025-2026） **1. MAE Transformer (2025)** | 项目 | 详情 | | -------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | | **结果** | 在DDTI上验证MAE预训练，Dice提升温和 | | **链接** | [https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2025.1618426/full](https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2025.1618426/full) | **2. Deep Learning Framework (2025)** | 项目 | 详情 | | ------------ | ----------------------------------------------------------------------------------- | | **标题** | A Deep Learning Framework for Thyroid Nodule Segmentation and Malignancy Prediction | | **数据集** | DDTI + 临床数据 | | **架构** | 两阶段：定位 → 恶性预测 | | **可解释性** | 通过注意力图提供可解释性 | | **链接** | [https://arxiv.org/html/2511.11937v1](https://arxiv.org/html/2511.11937v1) | --- ## 八、CCAUI（颈总动脉超声） ### 数据集概述 | 项目 | 详情 | | -------- | --------------------------------------- | | **来源** | Common Carotid Artery Ultrasound Images | | 图像数 | ~733 (约) | | 标注 | Expert mask images (专家标注) | | 用途 | 颈动脉内膜-中层分割、血管腔分割 | ### 最新方法 **1. Carotid Artery Wall Segmentation (2022)** | 项目 | 详情 | | -------- | -------------------------------------------------------------------- | | **标题** | Carotid artery wall segmentation in ultrasound images | | **发表** | arXiv, 2022年1月 | | **任务** | 内膜-中层复杂度分割，测量IMT厚度 | | **链接** | [https://arxiv.org/abs/2201.12152](https://arxiv.org/abs/2201.12152) | **2. RCS_UNet (2024)** | 项目 | 详情 | | -------------- | -------------------------------------------------------------------------------------------------------- | | **标题** | A new network for carotid artery plaque segmentation in ultrasound images | | **发表** | ACM, 2024年6月 | | **Dice (DSC)** | **0.819±0.091** | | **IoU** | **0.703±0.123** | | **Recall** | **0.845±0.100** | | **Precision** | **0.822±0.150** | | **链接** | [https://dl.acm.org/doi/abs/10.1145/3665689.3665709](https://dl.acm.org/doi/abs/10.1145/3665689.3665709) | **3. Deep Learning Segmentation Review (2023)** | 项目 | 详情 | | ------------ | ------------------------------------------------------------------------------------------------------------------------------------------ | | **标题** | A review of deep learning segmentation methods for carotid artery ultrasound images | | **发表** | Neurocomputing, 2023年8月 | | **综述范围** | 颈动脉超声分割技术全景 | | **链接** | [https://www.sciencedirect.com/science/article/pii/S0925231223004216](https://www.sciencedirect.com/science/article/pii/S0925231223004216) | --- ## 九、OTU_2d（卵巢肿瘤超声） ### 数据集论文 | 项目 | 详情 | | -------- | -------------------------------------------------------------- | | **标题** | MMOTU: A Multi-Modality Ovarian Tumor Ultrasound Image Dataset | | **发表** | arXiv, 2022年7月 | | **DOI** | 2207.06799 | | **机构** | 北京时珍医院 + 首都医科大学 | | OTU 2D | **1,469** 张2D超声图像 | | OTU CEUS | **170** 张造影超声图像 | | 标注 | 图像级标注 + 像素级分割标注 | ### 最新方法 **1. Unsupervised Cross-Domain Segmentation (2026)** | 项目 | 详情 | | ---------- | ------------------------------------------------------------------------------------------------------------------------------------------ | | **标题** | Unsupervised cross-domain semantic segmentation on multi-modality ovarian tumor ultrasound | | **发表** | Pattern Recognition, 2026年3月 | | **创新** | 首次提出跨域卵巢肿瘤分割方法 | | **数据集** | MMOTU (OTU 2D + CEUS) | | **链接** | [https://www.sciencedirect.com/science/article/pii/S0031320325009720](https://www.sciencedirect.com/science/article/pii/S0031320325009720) | **2. Comprehensive Segmentation Study (2023)** | 项目 | 详情 | | -------- | -------------------------------------------------------------------------------------------------------------------------------- | | **标题** | Comprehensive Study on Semantic Segmentation of Ovarian Tumors from Ultrasound Images | | **发表** | Springer LNCS, 2023年7月 | | **评估** | PSPNet, U-Net, DeepLabV3+等 | | **链接** | [https://link.springer.com/chapter/10.1007/978-3-031-36886-8_22](https://link.springer.com/chapter/10.1007/978-3-031-36886-8_22) | --- ## 十、通用半监督超声分割方法（2024-2026） ### ProPL: Universal Semi-Supervised Ultrasound Segmentation (2025) | 项目 | 详情 | | ------------ | ------------------------------------------------------------------------------------ | | **标题** | ProPL: Universal Semi-Supervised Ultrasound Image Segmentation via Prompted Learning | | **发表** | arXiv, 2025年11月 | | **核心创新** | **首创通用半监督超声分割框架**，支持多器官多任务 | | 架构 | 共享视觉编码器 + 提示引导双解码器 + 解码时提示机制 | | 关键模块 | UPLC (不确定性驱动的伪标签校准) | | 数据集 | 自构建数据集：5器官 + 8分割任务 | | **链接** | [https://arxiv.org/abs/2511.15057](https://arxiv.org/abs/2511.15057) | ### MedSegBench (2024) | 项目 | 详情 | | -------- | -------------------------------------------------------------------------------------------------------- | | **标题** | MedSegBench: A comprehensive benchmark for medical image segmentation | | **发表** | Scientific Data (Nature), 2024年11月 | | **DOI** | 10.1038/s41597-024-04159-2 | | **规模** | **35个数据集**的综合基准 | | **涵盖** | 包含超声在内的多模态医学图像 | | **链接** | [https://www.nature.com/articles/s41597-024-04159-2](https://www.nature.com/articles/s41597-024-04159-2) | ### Double U-Net (2025) | 项目 | 详情 | | ------------ | ---------------------------------------------------------------------------------------------------------------------------- | | **标题** | Double U-Net: semi-supervised ultrasound image segmentation | | **发表** | Neurocomputing, 2025年3月 | | **核心创新** | 一致性正则化 + 交叉教学框架 | | **架构** | W-Net (双U-Net) | | **链接** | [https://link.springer.com/article/10.1007/s11227-025-07152-7](https://link.springer.com/article/10.1007/s11227-025-07152-7) | ### Masked Pretraining U-Net (2025) | 项目 | 详情 | | ------------ | -------------------------------------------------------------------------------------------------------- | | **标题** | Masked pretraining of U-Net for ultrasound image segmentation | | **发表** | Scientific Reports, 2025年8月 | | **核心创新** | 掩码预训练提升小数据集性能 | | **关键发现** | Dice score 显著提升 | | **链接** | [https://www.nature.com/articles/s41598-025-11688-2](https://www.nature.com/articles/s41598-025-11688-2) | ### Multi-scale Multi-object SSL (2025) | 项目 | 详情 | | ------------ | ------------------------------------------------------------------------------------------------------------------------------------------ | | **标题** | Multi-scale multi-object semi-supervised consistency learning for ultrasound segmentation | | **发表** | Neural Networks, 2025年4月 | | **核心创新** | 多尺度多目标一致性学习 | | **基准** | 单目标和多目标超声分割均优于SSL基线 | | **链接** | [https://www.sciencedirect.com/science/article/pii/S0893608024010244](https://www.sciencedirect.com/science/article/pii/S0893608024010244) | ### SSL4MIS (持续维护的SSL医学分割基准) | 项目 | 详情 | | ---------- | ---------------------------------------------------------------------------- | | **仓库** | [https://github.com/HiLab-git/SSL4MIS](https://github.com/HiLab-git/SSL4MIS) | | **维护** | 2025年6月仍有更新 | | **涵盖** | 半监督医学图像分割文献综述 + 代码实现 | | **新方向** | 主动学习 + 源-free域适应 | --- ## 十一、总结对比表 ### 各数据集 SOTA / 代表性结果汇总 | 数据集 | 任务 | 方法 | Dice/指标 | 年份 | | ------------ | -------- | ------------------------ | --------------- | ---- | | **BUS-UCLM** | 二值分割 | U-Net (基线) | **0.68** | 2025 | | **BUS-UCLM** | 二值分割 | Mask R-CNN (联合) | **77.09%** | 2025 | | **BUS-UCLM** | 二值分割 | 多任务+一致性 (外部验证) | **0.69** | 2025 | | **BUSI** | 二值分割 | Fuzzy FCN (BUSIS基准) | **≥0.90** | 2022 | | **BUSI** | 二值分割 | BUSI-SAM | **89.29% mIoU** | 2025 | | **BUSI** | 半监督 | MSCD (2026) | 优于基线 | 2026 | | **BUSI** | 半监督 | RA-BUSSeg (ICCV 2025) | 优于基线 | 2025 | | **BUS-BRA** | 多任务 | SDC-Net (半监督) | 优于基线 | 2026 | | **TG3K** | 结节分割 | MTL Framework | **87.8% Dice** | 2026 | | **TN3K** | 结节分割 | MTL Framework | **87.8% Dice** | 2026 | | **TN3K** | 结节分割 | TRFE-Net | 高精度 | 2021 | | **DDTI** | 结节分割 | MAE Transformer | 温和提升 | 2025 | | **CCAUI** | 斑块分割 | RCS_UNet | **0.819 DSC** | 2024 | | **OTU_2d** | 肿瘤分割 | 跨域无监督 (2026) | 首次提出 | 2026 | --- ## 十二、对你项目的关键建议 ### 1. 半监督方向最相关的方法（2025-2026） | 优先级 | 方法 | 关键创新 | 与你项目的关系 | | --------- | ----------------------------- | ------------------------------------- | ----------------------------------------- | | **★★★★★** | **ProPL (2025)** | 通用半监督超声分割，多任务提示学习 | 架构设计可参考，尤其是UPLC伪标签校准 | | **★★★★★** | **RA-BUSSeg (ICCV 2025)** | 像素关系感知 + 相邻传播 | 半监督边界处理可参考 | | **★★★★★** | **SDC-Net (2026)** | 语义解耦半监督分割 | 直接在BUSI/BUS-UCLM上验证，你的框架可对比 | | **★★★★☆** | **CVPR 2026 免训练伪标签** | GPT-5+DINO+SAM免训练生成伪标签 | 创新的伪标签策略可借鉴 | | **★★★★☆** | **MSCD (2026)** | 多范式协同+跨周期蒸馏 | 半监督一致性学习可参考 | | **★★★★☆** | **外部验证多任务 (2025)** | BI-RADS一致性正则化，外部验证BUS-UCLM | **直接在你的BUS-UCLM数据上验证** | | **★★★☆☆** | **Double U-Net (2025)** | W-Net交叉教学 | 经典的半监督架构，适合基线对比 | | **★★★☆☆** | **Masked Pretraining (2025)** | U-Net掩码预训练 | 你的框架可用预训练初始化 | ### 2. 全监督方向 SOTA 参考 | 数据集 | 方法 | Dice | 备注 | | ------ | ----------------- | ----------- | ---------- | | BUSI | Fuzzy FCN (BUSIS) | ≥0.90 | 基准SOTA | | BUSI | BUSI-SAM | 89.29% mIoU | SAM适配 | | TG3K | HFA-UNet | — | 2025新SOTA | | TG3K | MTL Framework | 87.8% | 多任务联合 | | TN3K | MTL Framework | 87.8% | 多任务联合 | ### 3. 论文引用建议 ```txt 你的论文需要引用的关键论文: 1. 数据集论文 (必须引用): - BUS-UCLM: Nat. Scientific Data 2025 - BUSI: 原始发布 - TN3K: 原始发布 - TG3K: 原始发布 - BUS-BRA: Med. Physics 2023 - BUSIS基准: Diagnostics 2022 - BUS-Set: Med. Physics 2023 - MMOTU: arXiv 2022 2. 半监督方法 (你的方法对比): - ProPL (arXiv 2025) — 通用SSL框架 - RA-BUSSeg (ICCV 2025) — 乳腺超声SSL - SDC-Net (PR 2026) — 语义解耦SSL - MSCD (ESWA 2026) — 多范式SSL - CVPR 2026 免训练伪标签 - Double U-Net (Neurocomputing 2025) 3. 全监督SOTA (你的基线对比): - Fuzzy FCN (BUSIS基准 2022) - BUSI-SAM (2025) - MTL Framework (2026) - HFA-UNet (2025) 4. 通用基准: - MedSegBench (Nat. Scientific Data 2024) - SSL4MIS (持续维护的SSL医学分割基准) ``` --- ## 十三、各数据集最值得关注的arXiv论文（全监督） > 以下论文均为arXiv预印本（或部分已正式发表），聚焦**全监督**超声图像分割任务，针对你 data 目录下的数据集。 ### 13.1 乳腺超声（BUSI / BUS-UCLM / BUS-BRA） | # | 论文 | arXiv ID | 日期 | 数据集 | 核心方法 | 关键结果 | | --- | ----------------------------------------------------------------------------------------- | ---------- | ------- | --------------------------------------- | ----------------------------------------------------------- | ----------------------------------------------------------------------------------- | | 1 | **UESA-Net: U-Shaped Embedded Multidirectional Shrinkage Attention Network** | 2509.22763 | 2025-09 | **BUSI** (780张) | U形编码器-解码器 + 三维方向收缩注意力 + 先验知识阈值化 | BUSI IoU:**0.6495** (Dice约0.78); 多方向空间信息聚合 | | 2 | **A Novel Approach to Breast Cancer Segmentation using U-Net with Attention and FedProx** | 2510.19118 | 2025-10 | **BUSI** (780张) + **BUS-BRA** (1875张) | Attention U-Net + FedProx联邦学习 + Dice Loss | BUSI IoU:**0.5494** (Dice Loss: 0.2924); 跨设备non-IID场景验证 | | 3 | **Federated Breast Cancer Detection Enhanced by Synthetic Ultrasound Image Augmentation** | 2506.23334 | 2025-06 | **BUSI** + **BUS-BRA** + UDIAT | DCGAN合成数据增强 + FedAvg/FedProx FL | AUC最高**0.9538** (FedProx); 多中心联邦学习场景 | | 4 | **Hybrid Attention Network for Accurate Breast Tumor Segmentation in Ultrasound Images** | 2506.16592 | 2025-06 | **BUSI** + **UDIAT** | DenseNet121编码器 + GSA/PE/SDPA多注意力 + SFEB跳跃连接 | BCE+Jaccard混合损失; 多尺度特征融合; 已在 Nature Scientific Reports (2025) 正式发表 | | 5 | **Attention Residual Network for Medical Ultrasound Image Segmentation** | — | 2025-07 | **BUSI** (647张) + **TUS** (627张) | ARU-Net: Residual编码器 + SpConvMixer块 + 通道+空间双注意力 | mIoU + Dice + F1综合评估; 跨设备验证; 已在 Nature Scientific Reports 正式发表 | ### 13.2 甲状腺超声（TN3K / TG3K / DDTI） | # | 论文 | arXiv ID | 日期 | 数据集 | 核心方法 | 关键结果 | | --- | ------------------------------------------------------------------------------------------- | ---------- | ------- | ------------------------------------------------------------------ | ------------------------------------------------------------- | -------------------------------------------------------------------- | | 1 | **Anatomy-Guided Representation Learning Using a Transformer-Based Network** (含SSMT-Net) | 2512.12662 | 2025-12 | **TN3K** (3493张) + **DDTI** (480张) | Transformer编码器 + 解剖先验引导 + 多任务学习 | 超越已有方法; ICCV/WACV 2026; 甲状腺解剖结构先验融入网络 | | 2 | **A Deep Learning Framework for Thyroid Nodule Segmentation and Malignancy Classification** | 2511.11937 | 2025-11 | **TN3K** (3493张) + **DDTI** (480张) + **TNUI** (1381张, 外部测试) | **TransUNet**分割 + **ResNet-18**分类; Dice Loss + BCE; AdamW | **Dice: 0.8624**, **IoU: 0.7639** (DDTI内部测试集); TNUI外部泛化验证 | | 3 | **Thyroid Nodule Segmentation using Transformer with Masked Autoencoder Pre-training** | — | 2025-07 | **TN3K** + **DDTI** + **AIMI** | Transformer + MAE预训练加速收敛 | 收敛加速但Dice提升温和; 已在 Frontiers in AI 正式发表 | | 4 | **MLP-UNet: An Algorithm for Segmenting Lesions in Breast and Thyroid Ultrasound Images** | — | 2025-06 | **BUSI** + **TN3K** / **TG3K** | MLP-Mixer + U-Net架构融合; 仅33.75M参数 | SOTA性能; 高效参数; 已在 Informatics 期刊正式发表 | ### 13.3 综述与基准 | # | 论文 | arXiv ID | 日期 | 涵盖数据集 | 核心价值 | | --- | ------------------------------------------------------------------------------------------- | ---------- | ------- | ---------------------------------- | ------------------------------------------------------- | | 1 | **Recent Advances in Medical Imaging Segmentation: A Survey** | 2505.09274 | 2025-05 | 35个医学数据集，含**DDTI** | 生成式AI、FSS、Foundation Models全景综述; SAM适配策略 | | 2 | **A Comprehensive Review of U-Net and Its Variants: Advances and Applications** | 2502.06895 | 2025-02 | 按模态分类的医学数据集 | U-Net变体系统分类; 跳连/残差/3D/Transformer四大增强机制 | | 3 | **Deep Learning-Based Medical Ultrasound Image and Video Analysis: A Comprehensive Review** | — | 2025-04 | BUSI, TN3K, DDTI, BUS-UCLM等 | 超声分割方法全景; 评估指标; 公共数据集对比 | | 4 | **BAAF: Benchmark Attention Adaptive Framework for Medical Ultrasound** | 2310.00919 | 2023-10 | BUSI, BUS-UCLM, TN3K, DDTI, TG3K等 | 统一基准框架; 跨数据集泛化评估; 注意力自适应机制 | ### 13.4 arXiv论文阅读优先级建议 针对你的项目（半监督超声分割框架），建议按以下优先级阅读arXiv论文： | 优先级 | 论文 | 理由 | | --------- | ---------------------------------------- | --------------------------------------------------------------------- | | **★★★★★** | UESA-Net (2509.22763) | **同时覆盖BUSI+TN3K**; 三维注意力先验收缩; 可直接对比的SOTA全监督基线 | | **★★★★★** | Thyroid Nodule DL Framework (2511.11937) | **覆盖TN3K+DDTI**; TransUNet架构; Dice=0.8624; 含外部泛化验证 | | **★★★★★** | Anatomy-Guided Transformer (2512.12662) | **覆盖TN3K+DDTI**; 解剖先验Transformer; 多任务学习; ICCV 2026 | | **★★★★☆** | Hybrid Attention Network (2506.16592) | **覆盖BUSI+UDIAT**; DenseNet121+多注意力; 混合损失; 已在Nature发表 | | **★★★★☆** | FedProx U-Net (2510.19118) | **覆盖BUSI+BUS-BRA**; Attention U-Net; 联邦学习场景; 跨设备non-IID | | **★★★★☆** | Medical Imaging Survey (2505.09274) | 医学分割全景; 生成式AI、FSS、Foundation Models; SAM适配 | | **★★★☆☆** | U-Net Review (2502.06895) | U-Net变体系统分类; 四大增强机制; 为你的架构设计提供参考 | ### 13.5 各数据集对应的arXiv论文汇总 | 数据集 | 对应的arXiv论文 (arXiv ID) | 论文数量 | | ------------ | ------------------------------------------------------------ | -------- | | **BUSI** | 2509.22763, 2510.19118, 2506.23334, 2506.16592 | 4篇 | | **BUS-UCLM** | 2505.09274 (综述), 2310.00919 (基准) | 2篇 | | **BUS-BRA** | 2510.19118, 2506.23334 | 2篇 | | **TN3K** | 2512.12662, 2511.11937, 2509.22763, 2505.09274 (综述) | 4篇 | | **TG3K** | 2512.12662, 2505.09274 (综述) | 2篇 | | **DDTI** | 2512.12662, 2511.11937, 2505.09274 (综述), 2310.00919 (基准) | 4篇 | --- ## 十四、数据来源说明 本文档结果来自： - Nature Scientific Data (2025) - ICCV 2025 (IEEE) - CVPR 2026 - Pattern Recognition (2026) - Expert Systems with Applications (2026) - Medical Physics (2023-2026) - arXiv (2025-2026) - 各数据集原始论文 > 注意：部分ScienceDirect文章的详细数值因反爬机制未能完整提取，建议通过机构访问获取全文。