融合原型生成与对比学习的超声影像肝肿瘤分割

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。

关键词

超声影像 / 肝肿瘤分割 / 原型生成 / 对比学习 / Transformer