基于对比图建模的跨域少样本医学图像分割
计算机视觉与模式识别
2025-12-29 v1
摘要
跨域少样本医学图像分割 (CD-FSMIS) 为医疗应用中标注稀缺且需要多模态分析的场景提供了有希望且数据高效的解决方案。然而，现有方法通常过滤掉特定域的信息以提高泛化性，这不恰当地限制了跨域性能并降低了源域准确性。为此，我们提出了对比图建模 (C-Graph)，一个利用医学图像结构一致性作为可靠域可迁移先验的框架。我们将图像特征表示为图，其中像素作为节点，语义亲和性作为边。提出了结构先验图 (SPG) 层，用于捕获和传递目标类别节点依赖关系，并通过显式节点相互作用实现全局结构建模。基于 SPG 层，我们引入子图匹配解码 (SMD) 机制，利用节点间的语义关系指导预测。此外，我们设计了消除混淆的节点对比 (CNC) 损失，通过对比性增强图空间中节点的判别性来缓解节点歧义和子图异质性。我们的方法在多个跨域基准上显著优于先前的 CD-FSMIS 方法，实现了最先进的性能，同时保持强大的源域分割准确性。
引用
@article{arxiv.2512.21683,
title = {Contrastive Graph Modeling for Cross-Domain Few-Shot Medical Image Segmentation},
author = {Yuntian Bo and Tao Zhou and Zechao Li and Haofeng Zhang and Ling Shao},
journal= {arXiv preprint arXiv:2512.21683},
year = {2025}
}
备注
Accepted to IEEE Transactions on Medical Imaging (T-MI), 2026