论文: SEMC: Structure-Enhanced Mixture-of-Experts Contrastive Learning for Ultrasound Standard Plane Recognition作者: Qing Cai, Guihao Yan, Fan Zhang, Cheng Zhang, Zhi Liu发表: AAAI 2026论文链接: https://arxiv.org/abs/2511.12559代码链接: https://github.com/YanGuihao/SEMC一、引言超声标准切面识别是临床筛查、器官评估和生物测量等任务的基础。然而，超声图像具有斑点噪声大、对比度低、解剖边界模糊的天然缺陷，导致同一标准切面的图像外观差异巨大（类内方差大），而不同标准切面之间却可能高度相似（类间方差小）。现有方法主要依赖深层语义特征，忽略了浅层结构线索的互补价值，在细粒度结构感知和判别力上存在明显不足。本文提出的SAMC（Structure-Aware Multi-Context Block）正是为了解决这一核心痛点而生——它通过多尺度上下文建模和通道-空间协同注意力机制，让模型既能捕获解剖结构的细粒度细节，又能自适应地抑制无关背景干扰。
论文: SEMC: Structure-Enhanced Mixture-of-Experts Contrastive Learning for Ultrasound Standard Plane Recognition作者: Qing Cai, Guihao Yan, Fan Zhang, Cheng Zhang, Zhi Liu发表: AAAI 2026论文链接: https://arxiv.org/abs/2511.12559代码链接: https://github.com/YanGuihao/SEMC一、引言超声标准切面识别是临床筛查、器官评估和生物测量等任务的基础。然而，超声图像具有斑点噪声大、对比度低、解剖边界模糊的天然缺陷，导致同一标准切面的图像外观差异巨大（类内方差大），而不同标准切面之间却可能高度相似（类间方差小）。现有方法主要依赖深层语义特征，忽略了浅层结构线索的互补价值，在细粒度结构感知和判别力上存在明显不足。本文提出的SAMC（Structure-Aware Multi-Context Block）正是为了解决这一核心痛点而生——它通过多尺度上下文建模和通道-空间协同注意力机制，让模型既能捕获解剖结构的细粒度细节，又能自适应地抑制无关背景干扰。
