TaiChiNet: Negative-Positive Cross-Attention Network for Breast Lesion Segmentation in Ultrasound Images
2024.3，医学2区top，采用BUSI数据集和Dataset B
关于乳腺癌的X光类型数据集，可以被看做是一个像素级的二分类问题，即一类像素病变，另一类表示正常。但由于其超声模式复杂，分割性能容易被削弱。
为了提高分割性能有两种研究方法：
1.采用全局和局部注意力特征挖掘前景病变和正常背景——但由于两种背景的模式相似容易发生混淆，而类的不平和问题导致了分割性能的敏感性低下
2.通过焦点损失单方面增强前景病变——聚焦于前景损害的方法单方面地获得损害前景中的真阳性的增加，但也导致包括分散区域的正常背景中的假阳性的增加
提出的新方法：
对前景病变和正常背景进行双边增强，然后进行交叉聚集。然后将乳腺病变分割作为负的正常-背景路径和正的前景-病变路径之间的相互监督任务，并把提出的网络负向正向交叉网络叫做太极网：1.其由两个u网组成，分别挖掘周围病变和正常背景的模式。并在两个U-Net的深层之间，设计了一个交叉注意模块，用于跨深层语义通道传递信息。2.此外，为了改善在相互监督下的特征表示，在传统分割约束的基础上，提出了负路径和正路径之间的互补损失来传递双边补充信息，其中骰子损失主要集中在单边增强上