本研究提出了一种名为'对比驱动医学图像分割'的框架，旨在解决医学图像分割中前景与背景模糊边界的问题。该方法通过引入对比训练策略和语义信息解耦模块，在低对比度和复杂场景下表现出更强的鲁棒性，实验结果显示其在多个数据集上具有先进性能和广泛适用性。

本研究提出了MLLA-UNet架构，以应对传统医学图像分割方法在处理复杂图像时面临的挑战，如模糊边界和低对比度。该模型通过线性注意力和自适应机制降低计算复杂度，同时保持高精度，实验结果表明其在多个数据集上表现优异。