基于结构增强的混合专家对比学习的超声标准平面识别方法SEMC
计算机视觉与模式识别
2025-11-18 v1
摘要
超声标准平面识别是疾病筛查、器官评估和生物测量等临床任务中必不可少的环节。然而，现有方法未能有效利用浅层结构信息，且通过图像增广生成的对比样本难以捕捉细粒度语义差异，最终导致对超声标准平面的结构与判别细节识别效果不佳。为此，我们提出SEMC（Structure-Enhanced Mixture-of-Experts Contrastive Learning），一种结合结构感知特征融合与专家引导对比学习的新型框架。具体而言，我们首次引入新型语义-结构融合模块（SSFM），以有效利用多尺度结构信息，增强模型感知细粒度结构细节的能力，通过有效对齐浅层与深层特征。随后，设计新型混合专家对比识别模块（MCRM），采用混合专家（Mixture-of-Experts, MoE）机制在多层次特征上进行分层对比学习与分类，进一步提升类别可分性与识别性能。更重要的是，我们策划了一个大规模且标注详尽的肝脏超声数据集，包含六个标准平面。大量实验结果表明，SEMC在本实验室数据集和两个公开数据集上在各种指标上均优于最新的SOTA方法。
引用
@article{arxiv.2511.12559,
title = {SEMC: Structure-Enhanced Mixture-of-Experts Contrastive Learning for Ultrasound Standard Plane Recognition},
author = {Qing Cai and Guihao Yan and Fan Zhang and Cheng Zhang and Zhi Liu},
journal= {arXiv preprint arXiv:2511.12559},
year = {2025}
}
备注
Accepted by AAAI 2026