AGENet：基于自适应测地边缘距离学习的少样本医学图像分割

医学图像分割需要大量标注数据，这在临床应用中构成了重要瓶颈。虽然少样本分割方法可从最小示例中学习，但现有方法在医学图像的精确边界描绘方面表现不佳，尤其是在缺乏足够空间上下文时，相似解剖区域的出现。我们提出AGENet（自适应测地边缘距离学习网络），一种新型框架，通过边缘感知测地距离学习来融合空间关系。我们的关键洞察是，医学结构遵循可预测的几何模式，即使在有限训练数据下也可指导原型提取。不同于依赖复杂架构组件或重型神经网络的方法，本方法利用计算效率轻的几何建模。该框架由三个主要组成部分构成：（1）一种尊重解剖边界的边缘感知测地距离学习模块，通过迭代快速行进法进行细化；（2）能够捕捉全局结构和局部边界细节的自适应原型提取；（3）针对不同器官特征的自适应参数学习。广泛的实验在多样化医学图像数据集上表明，方法优于最先进的方法。值得注意的是，我们的方法在边界误差上优于现有方法，同时保持计算效率，非常适合在标注数据有限的情况下进行精确分割，具有广泛的临床应用前景。