基于AWFD-FastNet的轻量化乳腺超声视频病灶检测算法
来源：计算机工程与应用杂志2026年第15期北京时间：
作者：马建超, 童莹, 朱海锐, 曹雪虹
单位：1.南京邮电大学 通信与信息工程学院，南京 210003；2.南京工程学院 通信与人工智能学院、集成电路学院，南京 211167；
摘要：乳腺超声视频病灶检测是辅助医生定位病灶并进行准确诊断的关键AI影像技术，通过提升乳腺癌筛查的时效性和准确性，可有效促进早期干预，从而改善患者预后。然而，当前基于计算机视觉的通用视频目标检测算法在面向乳腺超声视频动态目标分析时存在问题：第一，高计算复杂度和推理延迟难以满足嵌入式设备的部署需求；第二，病灶在连续低对比度超声视频帧中呈现大小、形态及位置显著变化特征，且易受组织异质性引发的散斑噪声干扰，进一步降低检测精度。针对这些问题，提出了一种基于AWFD-FastNet的轻量化乳腺超声视频病灶检测算法。设计了自适应小波下采样（adaptive wavelet feature down-sampling，AWFD）模块，通过小波变换分解高低频特征，结合低频自注意力机制与高频残差卷积路径，有效抑制噪声干扰并增强病灶区域的显著性特征。利用FasterNet的高性能特征提取优势，代替YOLO中传统主干网络CSPDarknet，并融合自适应小波下采样模块代替传统下采样模块，构建高效且鲁棒的主干网络AWFD-FastNet，在降低冗余计算的同时提升特征表达能力。提出了一种面向视频目标检测的低复杂度后处理优化算法，基于逻辑回归对跨帧检测目标进行匹配与关联，通过构建位置、形态与语义特征的相似性评分机制，形成稳定且连续的目标轨迹，提升超声乳腺肿瘤动态检测鲁棒性。在CVA-BUS公开数据集上的实验结果表明，所提出方法在检测精度上比现有先进算法提升4.7个百分点，单帧图像检测耗时降低了22.5 ms，兼具高检测精度与低计算复杂度优势，为智能超声发展提供理论指导和技术支持。
关键词：乳腺超声病灶检测,视频目标检测,自适应小波下采样,深度学习
基金资助：江苏省科技计划专项资金（重点研发计划社会发展）（BE2022789）。
