超越欧几里得原型：用于少样本医学图像分割的谱解缠与测地线匹配
计算机视觉与模式识别
2026-05-19 v1
摘要
少样本医学图像分割（FSMIS）旨在从一张或几张带标注的支持图像中描绘新的解剖目标，解决医学影像中标注稀缺的问题。尽管最近取得了进展，当前基于原型的方法仍受制于两个耦合的限制：1）线索纠缠，即单个空间域原型被迫同时概括器官轮廓、实质纹理和边界外观，因此支持-查询在一个线索上的任何不匹配都会不加区分地传播到其他线索；2）拓扑盲匹配，即余弦相似度在环境欧几里得空间中测量距离，忽略了底层特征流形的连通性，导致低对比度器官内部出现碎片化激活，并泄漏到邻近组织。为此，我们提出了谱-测地线原型网络（SGP-Net），其核心是一个包含两个耦合组件的谱-测地线原型模块。谱原型库（SPB）通过可学习的径向傅里叶滤波器将支持和查询特征分解为低频、中频和高频带，为每个类别生成三个解缠的原型，分别编码形状、纹理和边界线索。测地线匹配器（GM）随后用可微的热扩散近似替代余弦相似度来计算测地线距离，沿特征亲和力图传播匹配信号，使得流形上的像素累积一致的响应，而流形外的相似外观被抑制。在三个公开的 FSMIS 基准上的实验表明，SGP-Net 与最近的最先进方法相比取得了有竞争力的性能。
引用
@article{arxiv.2605.17904,
title = {Beyond Euclidean Prototypes: Spectral Disentanglement and Geodesic Matching for Few-Shot Medical Image Segmentation},
author = {Penghao Jia and Zhiyong Huang and Mingyang Hou and Zhi Yu and Shuai Miao and Jiahong Wang and Yan Yan},
journal= {arXiv preprint arXiv:2605.17904},
year = {2026}
}