换一批融合原型生成与对比学习的超声影像肝肿瘤分割
Integration of prototype generation and contrastive learning for liver tumor segmentation in ultrasound image
摘要为了解决肝肿瘤超声影像分辨率低、对比度弱、位置变化等问题对医生诊断效率和准确性带来的挑战,提出一种基于原型生成与对比学习的肝肿瘤超声影像分割方法.该方法的核心是加权掩码注意力Transformer结构,通过在预测概率分布中利用真实类别的概率对图像特征向量进行加权,生成具有类别区分度的类原型,从而有效捕捉关键特征并强化空间信息.结合对比损失和Dice交叉熵损失,模型在类别区分能力和分割精度上实现显著提升,克服传统模型在空间信息不足和类内像素分布不均方面的局限性.本文方法在搜集的253幅超声影像上进行全面评估,实验结果表明该方法的平均交并比达到78.44%,Dice相似系数达到87.41%,证明本文方法在超声影像中分割肝肿瘤的优越性.
更多相关知识
关键词
超声影像肝肿瘤分割原型生成对比学习Transformerultrasound imageliver tumor segmentationprototype generationcontrastive learningTransformer
栏目名称
DOI
10.3969/j.issn.1005-202X.2025.10.008
发布时间
2025-11-13（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（82090054）
- 浏览7
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
