【中国海洋大学-蔡青组-AAAI26】SEMC：用于超声图像标准平面识别的结构增强型混合专家对比学习
文章：SEMC: Structure-Enhanced Mixture-of-Experts Contrastive Learning for Ultrasound Standard Plane Recognition
代码：https://github.com/YanGuihao/SEMC
单位：中国海洋大学
一、问题背景：超声标准平面识别，难在哪？
超声检查的核心是“找对角度”，但实际操作中难题重重：
图像本身不“给力”：超声图有斑点噪声、对比度低，器官边界模糊，想精准识别结构本身就难；
同类不同样，异类却相似：同一标准平面的图像可能因扫描角度、医生操作不同差异显著（比如同一肝脏平面，不同医生拍的样子大相径庭），而不同平面的图像又可能因为边界模糊显得很像，需要精细区分；
现有AI有短板：之前的AI模型要么只关注深层语义特征，忽略了图像里的浅层结构细节（比如器官轮廓、血管走向），要么没法通过对比学习捕捉到细微差异，导致识别准确率不够稳定。
这些问题直接影响诊断准确性，比如产检中胎儿生长指标测量、肝脏病变筛查等，都可能因标准平面识别不准出现误差。
二、方法创新：SEMC框架+LP2025数据集，双管齐下
为了解决上述痛点，研究团队推出了“SEMC框架”和“LP2025肝脏超声数据集”，核心创新点有两个：
1. SEMC框架：让AI既懂“结构”又懂“区分”
这个框架就像给AI配了“双引擎”，还请了“多位专家”协作：
第一引擎：语义-结构融合模块（SSFM）：之前的AI只看深层特征，好比“只见森林不见树木”。这个模块专门把浅层结构细节（比如器官轮廓、血管分支）和深层语义特征（比如这是肝脏左叶、那是门静脉）对齐融合，让AI既能看清细节，又能理解整体；
第二引擎：混合专家对比识别模块（MCRM）：相当于给AI安排了3个“专业小助手”，各自专注不同的特征维度，再通过协作做对比学习——既让同类平面的识别结果更统一，又让不同平面的差异更明显。同时还设计了自适应权重机制，不用人工调参，AI能自己根据图像难度调整学习重点。
2. LP2025数据集：填补数据空白
现有公开超声数据集稀缺，研究团队专门打造了高质量肝脏超声数据集：
包含9369张图片，覆盖6种肝脏关键标准平面，还有4626张非标准平面图像（模拟真实临床场景）；
所有图片都由5年以上经验的超声医生标注，经过多轮交叉审核、共识验证，确保标签准确，还做了患者信息匿名化处理，兼顾实用性和隐私保护。
三、实验结果：性能碾压主流方法，多场景都好用
研究团队在3个数据集上做了测试，结果都很亮眼：
胎儿超声数据集（FPUS23）：准确率达到95.78%，比第二名的主流模型高0.26%，F1-score更是达到95.06%，在胎儿头、腹部、股骨等标准平面识别中表现突出；
心脏超声数据集（CAMUS）：准确率82.13%，F1-score80.93%，远超其他模型，证明在心脏两腔、四腔等复杂平面识别中同样靠谱；
自制肝脏数据集（LP2025）：准确率82.30%，比现有方法高2.23%，F1-score79.32%，在6种肝脏标准平面和非标准平面的区分中优势明显。
四、优势与局限：实用但仍有提升空间
核心优势
兼顾细节与整体：首次把浅层结构和深层语义结合，解决了超声图像“细节难辨、同类差异大”的痛点；
泛化能力强：在胎儿、心脏、肝脏3类不同超声场景中都表现优异，不用针对单一部位重新训练；
开源共享：代码和数据集都已公开（https://github.com/YanGuihao/SEMC），能推动整个领域的研究进展；
临床适配性高：数据集包含非标准平面，模拟真实临床环境，模型鲁棒性强，更容易落地应用。
现存局限
数据范围有限：目前LP2025只覆盖肝脏6种标准平面，未来还需要扩展到更多器官（比如肾脏、甲状腺）和更多临床场景；
实时性待优化：框架包含多个专家分支和融合模块，虽然准确率高，但推理速度还有提升空间，需要进一步轻量化才能适配超声实时检查的需求；
极端情况表现未知：对于严重噪声、器官畸形等极端病例，模型的识别效果还需要更多临床数据验证。
五、一句话总结
SEMC框架通过“结构+语义融合”和“多专家对比学习”，解决了超声标准平面识别的核心痛点，搭配开源的高质量LP2025数据集，为临床超声AI辅助诊断提供了更精准、更实用的新方案！