# 超声分割开源对比方法清单

> 生成日期：2026-05-30  
> 目标：为当前 `X_SSL_Net` 的超声分割实验选择可复现的论文对比方法。  
> 筛选原则：近 5 年优先；有开源代码优先；有公开权重更优；尽量覆盖 BUSI、BUS-UCLM、BUS-BRA、BUS_UC、CCAUI、DDTI、OTU_2d、TG3K、TN3K。

## 1. 总体结论

当前最适合放进论文对比和复现实验的开源方法不是单一类型，而应分成三类：

1. **通用超声基础模型 / SAM 适配路线**：OpenUS、UltraSam、BUSSAM。
2. **数据集专用强基线**：TRFE+ 用于 TN3K/DDTI，MMOTU DS2Net 用于 OTU_2d，BUS-BRA 官方 DeepLabV3+ 用于 BUS-BRA。
3. **传统可复现分割基线**：U-Net、Attention U-Net、DeepLabV3+、Mask R-CNN、nnU-Net、SegFormer 或 Swin-Unet。

如果实验资源有限，建议优先做：

1. `U-Net / Attention U-Net / DeepLabV3+ / nnU-Net` 作为基础全监督 baseline。
2. `OpenUS` 作为有权重的超声预训练强 baseline。
3. `UltraSam` 作为覆盖数据集最广的 foundation-model baseline。
4. `TRFE+` 作为甲状腺 TN3K/DDTI 专用 baseline。
5. `MMOTU DS2Net` 作为 OTU_2d 专用 baseline。
6. `BUSSAM` 作为 BUSI 上的 SAM adapter baseline。

## 2. 优先候选方法表

| 优先级 | 方法 / 论文 | 年份 | 主要覆盖数据集 | 代码 | 权重 | 推荐用途 | 备注 |
| --- | --- | ---: | --- | --- | --- | --- | --- |
| 1 | OpenUS: ultrasound foundation model | 2025/2026 | BUS-BRA、TN3K，另含 BUSI 分类 | https://github.com/XZheng0427/OpenUS | 有预训练权重 | 超声预训练 / foundation baseline | 仓库报告 BUS-BRA Dice 91.0、IoU 83.5；TN3K Dice 82.7、IoU 73.1。 |
| 2 | UltraSam | 2025 | BUS_UC、BUS-UCLM、BUS-BRA、BUSI、CCAUI、DDTI、TG3K、TN3K、MMOTU | https://github.com/CAMMA-public/UltraSam | 未确认训练权重 | 数据集覆盖最全的 SAM/MedSAM/UltraSam baseline | 适合统一比较超声 foundation model 的跨数据集能力。 |
| 3 | TRFE+ / TRFE-Net | 2021/2022 | TN3K、DDTI | https://github.com/haifangong/TRFE-Net-for-thyroid-nodule-segmentation | 有 trained model 链接 | 甲状腺结节分割强 baseline | TN3K/DDTI 上最直接、最可复现的专用方法之一。 |
| 4 | DeblurringMIM / Deblurring ConvMAE | MICCAI 2023 扩展 | TN3K | https://github.com/openmedlab/DeblurringMIM | 有预训练 checkpoint | 自监督预训练 baseline | 仓库给出 TN3K fine-tune IoU 74.96，可作为预训练方法对比。 |
| 5 | MMOTU DS2Net | Pattern Recognition 2022 | OTU_2d、OTU_CEUS | https://github.com/cv516Buaa/MMOTU_DS2Net | 有 ImageNet backbone，任务 checkpoint 需核验 | OTU_2d 官方相关强 baseline | 支持单模态分割和跨模态 UDA。 |
| 6 | BUSSAM | 2024/2025 | BUSI、AMUBUS | https://github.com/bscs12/BUSSAM | 依赖 SAM ViT-B，未确认 BUSSAM 训练后权重 | BUSI 上 SAM adapter baseline | 适合和 MedSAM / SAM fine-tuning 做同类对比。 |
| 7 | BUSI-SAM | 2025 | BUSI、BUSI-WHU | https://github.com/huangjin520/BUSI-SAM | 未看到明确训练权重 | BUSI 论文结果引用 | 论文报告 BUSI mIoU 89.29、OA 98.59、HD95 11.12。 |
| 8 | RA-BUSSeg | ICCV 2025 | BUS 半监督数据集 | CVF 页面含 GitHub 入口 | 未确认 | 半监督乳腺超声对比 | 如果当前主实验是全监督，建议只作为半监督相关工作或补充对比。 |
| 9 | BUS-Set benchmark | 2023 | 多个公开 BUS 数据集 | 有 benchmark 代码 | 通常无权重 | 经典乳腺超声 benchmark | 适合引用 Mask R-CNN、U-Net 类传统结果。 |
| 10 | BUS-BRA official DeepLabV3+ | 2024 | BUS-BRA | https://github.com/wgomezf/BUS-BRA | 无 release 权重 | BUS-BRA 官方复现实验 | Matlab 实现，包含 DeepLabV3+ ResNet18/50 五折交叉验证。 |

## 3. 按数据集推荐对比

### 3.1 乳腺超声：BUSI、BUS-BRA、BUS_UC、BUS-UCLM

优先方法：

1. U-Net、Attention U-Net、DeepLabV3+、Mask R-CNN。
2. OpenUS，尤其用于 BUS-BRA。
3. UltraSam，用于 BUSI、BUS-BRA、BUS_UC、BUS-UCLM 的统一 foundation baseline。
4. BUSSAM，用于 BUSI。
5. BUSI-SAM，用于 BUSI 论文结果引用。
6. RA-BUSSeg、SDC-Net，只建议作为半监督方法相关工作或补充实验。

实验注意点：

- BUSI 常见划分差异较大，必须在论文中明确 train/val/test 比例和是否包含 normal 类。
- BUS-BRA 有官方五折实验入口，若复现官方结果，需要说明是否沿用官方 split。
- BUS-UCLM 是新数据集，公开可复现结果少，更适合作为泛化验证集或跨数据集实验目标。

### 3.2 甲状腺超声：DDTI、TG3K、TN3K

优先方法：

1. TRFE+ / TRFE-Net。
2. DeblurringMIM / Deblurring ConvMAE。
3. OpenUS，用于 TN3K。
4. UltraSam，用于 DDTI、TG3K、TN3K。
5. U-Net、Attention U-Net、nnU-Net、Swin-Unet。

实验注意点：

- TN3K 和 DDTI 可以形成“同任务跨数据集”实验。
- TG3K 的原始来源和 TN3K/TRFE 系列关系需要在正式论文中二次核验。
- 甲状腺任务适合强调边界模糊、低对比度、跨设备泛化。

### 3.3 卵巢肿瘤超声：OTU_2d

优先方法：

1. MMOTU DS2Net。
2. U-Net、DeepLabV3+、SegFormer。
3. UltraSam，如果要做 foundation-model 统一对比。

实验注意点：

- MMOTU DS2Net 是 OTU_2d 方向最直接的开源论文基线。
- 如果只做 2D 静态图像分割，可以先使用其单模态分割设置，不一定复现跨模态 UDA 全流程。

### 3.4 颈动脉超声：CCAUI

优先方法：

1. UltraSam。
2. U-Net、Attention U-Net、DeepLabV3+。
3. RPFeaNet 等 CCAUI 相关论文结果可作为引用，但需进一步确认代码可用性。

实验注意点：

- CCAUI 标注目标和肿瘤类分割不同，边界更细、更规则，指标可能与病灶分割不完全可比。
- 建议单独成表，不要和乳腺/甲状腺病灶分割直接混排为一个总 Dice 排名。

## 4. 推荐实验矩阵

### 4.1 最小可投稿矩阵

| 类别 | 方法 |
| --- | --- |
| CNN baseline | U-Net、Attention U-Net、DeepLabV3+ |
| Transformer / hybrid baseline | SegFormer 或 Swin-Unet |
| 超声预训练 baseline | OpenUS |
| SAM / foundation baseline | UltraSam 或 BUSSAM |
| 数据集专用方法 | TRFE+、MMOTU DS2Net、BUS-BRA official baseline |
| 本文方法 | XNet2d / X_SSL_Net |

### 4.2 按工作量排序

1. 先跑统一输入尺寸 `384x384` 的 U-Net、Attention U-Net、DeepLabV3+、SegFormer/nnU-Net。
2. 再跑 OpenUS 和 UltraSam 这类 foundation baseline。
3. 最后补 TRFE+、MMOTU DS2Net、BUSSAM 等数据集专用方法。

## 5. 引用和链接入口

1. OpenUS  
   https://github.com/XZheng0427/OpenUS

2. UltraSam  
   https://github.com/CAMMA-public/UltraSam

3. TRFE-Net for thyroid nodule segmentation  
   https://github.com/haifangong/TRFE-Net-for-thyroid-nodule-segmentation

4. DeblurringMIM  
   https://github.com/openmedlab/DeblurringMIM

5. MMOTU DS2Net  
   https://github.com/cv516Buaa/MMOTU_DS2Net

6. BUSSAM  
   https://github.com/bscs12/BUSSAM

7. BUSI-SAM  
   https://github.com/huangjin520/BUSI-SAM

8. RA-BUSSeg, ICCV 2025  
   https://openaccess.thecvf.com/content/ICCV2025/html/Zhang_RA-BUSSeg_Relation-aware_Semi-supervised_Breast_Ultrasound_Image_Segmentation_via_Adjacent_Propagation_ICCV_2025_paper.html

9. BUS-Set benchmark  
   https://pubmed.ncbi.nlm.nih.gov/36794706/

10. BUS-BRA official repository  
    https://github.com/wgomezf/BUS-BRA

## 6. 后续核验清单

正式写论文或做大规模复现前，建议逐项核验：

1. 每个方法的 license 是否允许学术复现和结果展示。
2. 权重是否为完整模型权重、backbone 权重，还是只提供预训练 encoder。
3. 原论文是否使用相同 split、相同 resize、相同 test protocol。
4. BUSI 是否包含 normal 类训练，还是只在 benign/malignant 病灶图像上做二分类分割。
5. 半监督方法是否使用额外未标注数据，避免和全监督方法直接不公平比较。
6. foundation-model 方法是否需要 prompt、box、point 或 mask 先验。