医学图像分割在计算机辅助诊断与治疗中发挥着重要作用。少样本分割作为一种新兴范式，能够仅利用极少数标注样本实现对未知类别的分割，有效缓解了医学数据标注稀缺的问题。然而，现有方法普遍存在前景与背景区分能力不足的问题，容易导致分割结果中出现误检与漏检，严重制约了模型在复杂临床场景中的应用。近日，我实验室邹美琪硕士围绕上述关键问题开展研究，提出了一种CLIP驱动的双重对比学习网络，相关研究成果“Few-shot medical image segmentation via CLIP-driven dual contrastive learning”发表于Neurocomputing期刊（https://doi.org/10.1016/j.neucom.2026.132815）

该研究将对比学习引入经典原型学习框架，并设计了双重对比学习机制：一方面，以前景语义表示为锚点，强化前景特征的一致性并抑制背景干扰；另一方面，以背景语义表示为锚点，约束背景特征的分布，从而减少复杂背景对分割结果的影响。此外，研究进一步引入视觉语言模型CLIP，通过掩码引导的Token剪枝策略提取类别相关的判别性特征，为对比学习提供更加可靠的语义锚点。在多个医学图像基准数据集上的实验结果表明，该方法展现出卓越的分割性能，显著优于现有的主流方法。

总之，这一研究进展不仅为少样本医学图像分割提供了新的视角，也证明了大规模预训练模型在辅助少样本医疗任务中的巨大潜力。未来，相关技术有望在快速响应新发疾病诊断、辅助精准医疗等领域发挥重要作用。