乳腺癌被认为是最常见的癌症。利用超声图像定位乳腺肿瘤是一种重要的临床诊断方法。然而，由于超声图像中的超声伪影、低对比度和复杂的肿瘤形状，乳腺肿瘤的准确分割仍然是一个悬而未决的问题。为了解决这个问题，我们提出了一个边界导向网络（BO-Net），用于增强超声图像中的乳腺肿瘤分割。BO-Net从两个方面提高了肿瘤分割性能。首先，设计了一个面向边界的模块（BOM），通过学习额外的乳腺肿瘤边界图来捕获乳腺肿

图像自动分割是医学图像分析的重要环节，在计算机辅助放射治疗、疾病诊断、疗效评价等方面具有重要的应用价值。该任务的主要挑战之一是医学图像的模糊性质（例如，CT、MR和显微镜图像），这通常会导致低对比度和消失的边界。随着卷积神经网络的最新进展，图像分割已经取得了巨大的进步，主要是基于跳过连接链接的编码器-解码器深度架构。然而，在许多应用中（模糊图像中的相邻目标），这些模型往往无法准确定位复杂的边界，并

乳腺超声图像分割是临床辅助诊断乳腺癌的关键步骤之一，严重威胁着女性的健康。目前，深度学习方法已成功应用于乳腺肿瘤分割。然而，模糊的边界，异质结构和其他因素会导致严重的漏检和误检测的分割结果。本文提出了一种新的细化残差卷积网络，用于从超声图像中准确分割乳腺肿瘤，该网络主要由带深度监督模块的SegNet、漏检残差网络和误检残差网络组成。在SegNet中，我们添加了六个侧出深度监督模块，以指导网络学习逐

解剖结构和病理的分割本质上是模糊的。例如，结构边界可能不清晰可见，或者不同的专家可能具有不同的注释风格。大多数当前最先进的方法不考虑这种模糊性，而是学习从图像到分割的单个映射。在这项工作中，我们提出了一种新的方法来模拟给定的输入图像的分割的条件概率分布。我们推导出一个层次概率模型，其中单独的潜变量负责在不同的分辨率建模的分割。该模型中的推理可以使用变分自动编码器框架有效地执行。

医学图像分割在计算机辅助诊断和治疗系统的开发中起着至关重要的作用，但它仍然面临着许多挑战。在过去的几年中，卷积神经网络（CNN）已成功地应用于医学图像分割的任务。遗憾的是，由于卷积运算的局部性，这些基于CNN的架构在学习图像中的全局上下文信息方面存在局限性，这可能对医学图像分割的成功至关重要。同时，视觉Transformer（ViT）体系结构具有显著的远程语义特征提取能力，但计算复杂度较低。

医学图像的精确自动分割对临床诊断和分析有着重要的帮助。然而，由于（1）医学图像目标的尺度多样性和（2）医学图像的复杂上下文环境，包括结构边界的模糊性，形状的复杂性和纹理的异质性，它仍然是一个具有挑战性的任务。为了全面应对这些挑战，我们提出了一种新颖有效的迭代边缘注意力网络（EANet）用于医学图像分割，步骤如下。首先，我们提出了一个动态尺度感知上下文（DSC）模块，它动态地调整感受野，以有效地提取

由“黑箱”模型驱动的机器人需要提供人类可理解的解释，这些解释是作者能够信任的。因此，可解释性在促进自主决策的可信度、透明度和最终用户接受度方面发挥着关键作用，尤其是在复杂的自动驾驶领域。多模态大型语言模型（MLLMs）的最新进展已经显示出在提高作为驾驶主体的可解释性方面的巨大潜力，它可以生成控制预测以及自然语言解释。然而，由于昂贵的标注成本导致的数据稀缺以及不同数据集之间的显著领域差距，开发一个健

医学图像分割可以为进一步的临床分析和疾病诊断提供可靠的依据。随着卷积神经网络（CNN）的发展，医学图像分割性能有了显著的提高。然而，大多数现有的基于CNN的方法往往产生不令人满意的分割掩模没有准确的对象边界。这个问题是由有限的上下文信息和连续池化和卷积操作后的不充分的区分特征映射引起的。此外，医学图像的特点是高类内变化，类间不区分和噪声，提取强大的上下文和聚合的细粒度分割的区别性特征仍然具有挑战性

乳腺超声图像的自动分割有助于提高乳腺癌诊断的准确性。近年来，卷积神经网络（CNN）在医学图像分析中取得了巨大的成功。然而，它表现出的局限性，在建模的长期关系，这是不利的超声图像斑点噪声和阴影，导致乳腺病变分割的准确性下降。Transformer可以获得足够的全局信息，但在获取局部细节方面存在不足，需要在大规模数据集上进行预训练。在本文中，我们提出了一种混合CNN-transformer（HCTNe

医学图像分割可以为进一步的临床分析和疾病诊断提供可靠的依据。随着卷积神经网络（CNN）的发展，医学图像分割性能有了显著的提高。然而，大多数现有的基于CNN的方法往往产生不令人满意的分割掩模没有准确的对象边界。这个问题是由有限的上下文信息和连续池化和卷积操作后的不充分的区分特征映射引起的。此外，医学图像的特点是高类内变化，类间不区分和噪声，提取强大的上下文和聚合的细粒度分割的区别性特征仍然具有挑战性