32、基于区域增强原型变换器的少样本医学图像分割

基于区域增强原型变换器的少样本医学图像分割

1 引言

自动医学图像分割旨在利用数据驱动的图像分割概念，识别从 X 射线、超声到 CT 和 MRI 扫描等医学图像中特定解剖结构的表面或体积。深度学习算法非常适合这项任务，因为它们可以从医学图像中生成测量值和分割结果，无需像传统方法那样进行耗时的手动工作。然而，深度学习算法的性能在很大程度上依赖于大规模、高质量、全像素级标注数据的可用性，而这些数据的获取往往成本高昂。因此，少样本学习被认为是一种更有前景的方法，并被引入到医学图像分割中。

现有的少样本医学图像分割（FSMS）算法可以分为两类：基于交互的方法和基于原型网络的方法。基于交互的方法起源于 SENet，引入了注意力和对比学习的思想，在并行的支持和查询分支之间进行交互。基于原型网络的方法几乎主导了 FSMS 研究，其核心思想是通过压缩支持特征获得语义级原型，然后通过与查询特征匹配进行预测。然而，如何获得准确且具有代表性的原型仍然是一个问题。

影响原型代表性的主要原因是支持和查询之间存在显著差异。不同患者采用不同的扫描协议，导致器官表面特征的大小、形状和轮廓等外观各异。此外，由于目标与其周围环境之间的纹理极不均匀，从杂乱的背景中提取有用信息（新类别的原型）也具有挑战性。

为了减轻类内多样性的影响，我们考虑对支持原型的前景进行细分，生成一些区域原型，然后对这些原型进行修正，以抑制或排除与查询目标不一致的区域。

1.1 主要贡献

• 提出了一种由堆叠的偏差缓解变换器（BaT）块组成的区域增强原型变换器（RPT），通过基于自选择机制设计的搜索和过滤（S&F）模块，减轻 FSMS 中存在的大类内变化的影响。