本研究提出了EUIS-Net，一种高效且精确的卷积神经网络，用于解决超声图像分割中的挑战。通过编码器-解码器结构和注意力机制，EUIS-Net降低了计算复杂性并提高了特征表示能力。研究结果显示，EUIS-Net在临床应用中具有潜力和适应性。

精确测量胎儿头围对于估计孕期产妇的胎儿生长至关重要。深度学习技术在胎儿超声图像分割中取得了重大进展，研究总结了现有的优化编码 - 解码模型的策略，并证明了其在多个国家的超声数据上的有效性。优化编码 - 解码模型可以获得更好的性能，解码器的优化策略优于其他策略，参数较少的网络架构也能达到相似甚至更好的性能。研究还证明了在资源有限的环境中进行优化策略的有效性，并将实验扩展到了少样本学习。

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。