编辑推荐：
为解决卵巢癌早期诊断难题，研究人员利用监督对比学习和 MP Encoder，分类准确率达 98.43%，助力早诊早治。
卵巢癌是全球女性中最为常见的恶性肿瘤之一，早期发现对于提高患者的生存几率至关重要。传统的 CT 图像处理主要依赖放射科医生的主观评估，这可能导致结果的差异，因此开发自动化且可靠的诊断技术势在必行。在医学图像分析领域，深度学习方法取得了显著进展，尤其是在卵巢肿瘤的自动分类方面展现出巨大潜力。
本研究提出了一种利用监督对比学习（supervised contrastive learning）和多感知编码器（Multiple Perception Encoder，MP Encoder）的卵巢肿瘤 CT 图像自动诊断方法。该方法采用 T-Pro 技术增加数据多样性，并模拟语义扰动以提高模型的泛化能力。多尺度感知模块（Multi-Scale Perception Module，MSP Module）和多注意力模块（Multi-Attention Module，MA Module）的加入，增强了模型对卵巢肿瘤复杂形态和细微特征的敏感性，从而提高了分类的准确性和稳健性，最终实现了 98.43% 的平均分类准确率。
实验结果表明，该方法在卵巢肿瘤分类中表现卓越，特别是在处理形态复杂或图像质量较差的肿瘤时，显著提高了分类准确率。这一先进的深度学习框架能够熟练应对卵巢肿瘤 CT 图像解读的复杂性，为临床医生提供更强大的诊断支持，有助于优化卵巢癌的早期检测和治疗策略。
