基于轮廓的概率模型用于医学超声图像分割：CP-UNet

深度学习分割方法在超声图像中检测病灶方面得到广泛应用。在成像过程中，超声波的衰减和散射会导致轮廓模糊和信噪比下降，限制了超声图像的清晰度。为克服这一挑战，我们提出了一种轮廓概率分割模型CP-UNet，通过引导分割网络在解码阶段增强其对轮廓的关注。我们设计了新颖的下采样模块，使轮廓概率分布建模和编码阶段能够获取全局-局部特征。此外，高斯混合模型利用优化后的特征来建模轮廓分布，捕捉病灶边界的不确定性。在针对三个超声图像数据集进行的大量与多种最先进深度学习分割方法的实验表明，我们的方法在乳腺和甲状腺病灶分割方面性能更佳。