AI的进展导致传统诊断方法衰退，端到端诊断即将到来。超声图像分割是诊断过程中的重要一步，准确的分割模型减轻了医生负担。研究结合FPN和SRNN提出了一种新的图像分割模型，提取不同尺度的解剖结构和腹部超声图像的空间上下文特征。

该研究提出了一种名为PBNet的方法，用于乳腺肿瘤的超声图像分割。PBNet由多级全局感知模块（MGPM）和边界引导模块（BGM）组成，通过融合多级语义信息和利用边界引导特征融合，提高了对非增强肿瘤的识别能力。实验证明PBNet在肿瘤分割方面优于现有方法，提高了Dice分数、Jaccard系数、特异性和HD95分数。

该研究提出了一种名为PBNet的方法，用于乳腺肿瘤的超声图像分割。PBNet由多级全局感知模块（MGPM）和边界引导模块（BGM）组成。实验证明，PBNet在定性和定量评估方面优于现有方法，提高了Dice分数、Jaccard系数、特异性和HD95分数。割舍实验证明了MGPM对于区分非增强肿瘤以及BGM和BS损失对于优化肿瘤分割轮廓的帮助。

近期AI的进展导致传统诊断方法衰退，端到端的诊断即将快速到来。本文提出了一种新的超声图像分割模型，结合了FPN和SRNN，考虑了超声图像的两个固有特征：器官和组织的空间尺寸变化以及人体内部解剖结构的相对恒定空间关系。讨论了使用FPN提取不同尺度解剖结构和使用SRNN提取腹部超声图像中的空间上下文特征的原因和实现方法。